Resultados da busca

O envelhecimento afeta a maioria das coisas na Terra e as baterias não são exceção a esse fenômeno. De forma bem peculiar, baterias se comportam como seres "vivos", suas partículas fluem entre dois eletrodos, há reações químicas e até mudanças mecânicas, como um efeito semelhante à "respiração" (expansão e contração dos eletrodos devido à intercalação e desintercalação do lítio durante os ciclos de carga/descarga). Elas simplesmente estão em operação, o que gera desgaste natural. Você não pode parar de envelhecer: as frotas de veículos elétricos envelhecerão (e com elas suas baterias) No entanto, quando as pessoas consideram a aquisição de um carro elétrico, o critério número um para elas é a autonomia, seguido pelo preço e pela logística de carregamento (infraestrutura e tempo de carregamento). Enquanto que a preocupação com a duração da bateria só aparece na 6ª posição. Hoje, essa classificação pode não ser surpreendente, considerando que a maioria dos veículos elétricos é comprada nova e o envelhecimento parece ser um tópico bastante técnico, com uma grande variedade de possíveis evoluções na duração da bateria, dependendo do uso do veículo elétrico. Mas, à medida que as frotas de veículos elétricos envelhecem (e com elas suas baterias), os mercados de usados ​​começam a crescer e, de repente, por bons preços de revenda, a vida útil e a saúde das baterias certamente aumentarão em sua importância (prevista). Da mesma forma, reciclar células de bateria que atingiram o fim de sua vida útil ainda é uma atividade muito dispendiosa e que consome muita energia. E, portanto, células de bateria mais duradouras e mais sustentáveis já são um fator competitivo para quem projeta e vende veículos elétricos e baterias. Logo, chegou a hora de OEMs e fabricantes de baterias entenderem o envelhecimento das baterias e desenvolverem projetos de células que proporcionem a máxima vida útil. Os engenheiros devem entender não apenas quando, mas também onde os mecanismos de envelhecimento ocorrem O uso de simulação com modelos de envelhecimento pode ajudar a acelerar significativamente a previsão da tendência de degradação de uma determinada bateria. Normalmente, simulações em nível 1D são utilizadas neste caso, pois permitem uma execução muito rápida e podem produzir anos de dados simulados em poucas horas. Ao longo deste artigo, será exemplificado como isto pode ser realizado num ambiente de simulação onde fenômenos físicos são modelados, mas antes vamos conhecer um pouco mais sobre as causas do envelhecimento das baterias. Os ingredientes tóxicos que causam o envelhecimento das células da bateria Então, o que desencadeia e afeta o envelhecimento? O envelhecimento das baterias tem suas causas raízes em vários fatores. Primeiro, sem surpresa, o tempo: esteja a célula sendo usada ou se permanecer ociosa, o tempo está em ação para permitir que alguma reação química interna induza alguma degradação do desempenho. Segundo é a temperatura: a temperatura tem um impacto significativo no processo de degradação da vida útil da bateria. Armazenamento e uso em alta temperatura (faixa alta dos limites de temperatura seguros) acelerariam o envelhecimento. Baixas temperaturas são melhores, mas combinadas com carga rápida podem ser receitas para outros efeitos de degradação. Isso leva ao terceiro critério principal, a corrente aplicada à célula. Basicamente, referindo-se ao tipo de carga aplicada à bateria. Se for usada suavemente com demandas de energia suaves e baixas, a corrente aplicada à célula será suave e afetará lentamente o envelhecimento. No entanto, se a bateria for usada de forma mais agressiva, com carga rápida mais frequente, particularmente em condições de baixas temperaturas, o modo de degradação acelerada estará ativado. Uma análise mais aprofundada dos mecanismos de degradação das células da bateria O que acontece dentro da bateria devido a esses efeitos é uma combinação de vários mecanismos de degradação: Crescimento da película da interface eletrolítica sólida: trata-se do crescimento lento de uma camada fina e porosa na superfície do material ativo, que consome átomos de lítio para crescer. À medida que cresce, o estoque de lítio disponível, usado para a operação da célula, diminui, reduzindo a capacidade da célula. Além disso, a espessura da película da Interface Eletrolítica Sólida, abreviada na indústria para “SEI”, cria uma barreira aos íons e elétrons de lítio que tentam entrar e sair do material ativo, o que aumenta a resistência elétrica geral das células. Revestimento de lítio. Neste caso, há formação de uma película metálica de lítio na superfície do material ativo, que também consome o estoque de lítio, impactando a capacidade da célula. Perda de material ativo por dissolução: O material ativo responsável pelo armazenamento de lítio é dissolvido no eletrólito devido a alguma reação colateral indesejada. A perda desse material ativo diminui ainda mais a capacidade da célula. Perda de material ativo por trincamento mecânico. O processo de intercalação e desintercalação do lítio gera algum estresse mecânico a cada ciclo. Com o tempo, partes do material ativo podem se romper e se separar do eletrodo principal. Isso resulta na perda da capacidade de armazenar lítio e na redução da capacidade da célula. As consequências desses efeitos são simples: a capacidade da bateria diminuirá, reduzindo a autonomia do veículo em comparação com a autonomia de um veículo novo. Além disso, a bateria terá menos capacidade de suportar demandas de energia agressivas, atingindo mais rapidamente os limites de segurança de voltagem inferior e máxima, o que levará ao desligamento da bateria. O envelhecimento leva tempo – isso os engenheiros não têm É por isso que baterias e fabricantes de veículos dedicam tempo e esforço para caracterizar esses fenômenos de envelhecimento. Mas aqui está um desafio: os efeitos do envelhecimento só podem ser observados após vários anos de operação. Portanto, como você pode entender, realizar testes para capturar o comportamento correto de degradação exige uma quantidade enorme de tempo e dinheiro para testar a bateria ao longo dos anos de operação! É claro que existem algumas técnicas de testes de aceleração do envelhecimento, mas os primeiros resultados só podem ser vistos após pelo menos 6 meses de testes de envelhecimento acelerado. Mas para ganhar uma vantagem competitiva, os engenheiros que analisam esses desafios de envelhecimento precisam de mais detalhes, precisam otimizar ainda mais as células da bateria e entender não apenas quando, mas também onde os mecanismos de envelhecimento ocorrem, para que possam abordar melhor os problemas de degradação localmente. A formação da célula da bateria do veículo elétrico (a carga inicial) é uma etapa crítica da fabricação em relação aos riscos de envelhecimento da célula da bateria (Imagem: Chroma ATE). Inspeção e Identificação Primeira etapa do processo. As células de bateria são verificadas e identificadas antes de iniciarem o ciclo de formação. Envelhecimento em Ambiente Controlado As células passam um tempo em repouso em temperatura ambiente. Serve para estabilizar os materiais internos após a formação. Formação Etapa onde ocorre a primeira carga da célula — também chamada de “formação”. É um processo crítico, pois define as propriedades eletroquímicas iniciais e influencia diretamente a vida útil da bateria. Envelhecimento em Alta Temperatura As células são mantidas sob altas temperaturas para acelerar o envelhecimento e identificar defeitos prematuros. Garante que apenas células estáveis avancem para as próximas fases. Teste OCV & ACR (Teste de Tensão em Circuito Aberto e Resistência AC) Testes elétricos para medir: OCV (Open Circuit Voltage)  – tensão sem carga. ACR (Alternating Current Resistance)  – resistência interna da célula. Avaliam o desempenho e a qualidade da célula. Classificação As células são classificadas de acordo com os resultados dos testes elétricos e de envelhecimento. Células com desempenho semelhante são agrupadas para formar módulos ou pacotes de bateria homogêneos. E não é só o envelhecimento que deve ser estudado durante a operação: igualmente relevante é o primeiro processo de carga, conhecido como formação, que é a etapa final crítica da fabricação antes do envio das células. Ele forma a camada protetora crucial da Interface Eletrolítica Sólida e, portanto, tem um enorme impacto na vida útil subsequente da bateria. Simulação de envelhecimento da bateria Existem diversas abordagens para alavancar a simulação para prever o envelhecimento e o processo de formação. Em primeiro lugar, nossa solução de sistemas Simcenter Amesim , utilizando modelos 1D, pode ser extremamente eficiente na geração rápida de anos de dados de simulação de envelhecimento sob diversas condições operacionais. A principal vantagem aqui é a aceleração do tempo. Modelos de envelhecimento baseados em física no Simcenter Amesim estão disponíveis desde a versão 2410, além dos modelos de envelhecimento empíricos existentes. Nesse tipo de simulação, cada célula é representada por blocos que descrevem seu comportamento elétrico e térmico — capacidade, resistência interna e troca de calor com o ambiente. Ao conectar várias células em série e paralelo, é possível prever como o desempenho e a temperatura evoluem ao longo do tempo, simulando o envelhecimento da bateria e permitindo ajustes de projeto antes de partir para análises 3D mais detalhadas no Simcenter STAR-CCM+ . Em segundo lugar, para atender à necessidade de informações espaciais, a solução 3D Cell Design do Simcenter STAR-CCM+ pode prever a evolução do envelhecimento em uma geometria de célula 3D com camadas de eletrodos resolvidas. É claro que, neste caso, o tempo de execução é muito maior do que nas simulações 1D, mas o usuário terá acesso a informações locais sobre onde o envelhecimento ocorre e poderá mitigar esses efeitos alterando o design ou as condições operacionais. Em terceiro lugar, é possível combinar as simulações 1D e 3D. A simulação 1D é usada para gerar a simulação de envelhecimento muito longo de anos de tempo físico. Os usuários podem então extrair desse ponto discreto o SOH (Estado de Saúde) da célula ao longo do período de envelhecimento, por exemplo, a cada ano. Este SOH a cada ano pode então ser um ponto de partida para uma simulação 3D, onde a célula é envelhecida apenas por um curto período, por exemplo, 1 mês de tempo físico, mas suficientemente longo para gerar a distribuição dos vários mecanismos de envelhecimento, como crescimento da Interfase Eletrolítica Sólida (SEI) ou revestimento de lítio, conforme implementado em versões mais recente do Simcenter STAR-CCM+ . Obviamente, os modelos de envelhecimento 1D e 3D são acoplados a modelos térmicos para capturar o efeito térmico na evolução dos mecanismos de degradação. Por fim, simulações 3D podem ser utilizadas para auxiliar na previsão da camada inicial de Interfase Eletrolítica Sólida (SEI) durante o processo de formação da fabricação. De fato, o modelo de crescimento da SEI pode ser usado na primeira carga de célula de bateria e prever o crescimento dessa camada protetora crítica. O recurso de Design de Célula 3D pode, então, ajudar o usuário a avaliar a evolução uniforme do crescimento da camada SEI e determinar o ponto ideal em que a camada é suficientemente espessa e a quantidade de lítio consumida para gerá-la. Isso ajudará a refinar ainda mais a estimativa da capacidade ciclável. Simulação de envelhecimento de bateria de alta fidelidade com Simcenter STAR-CCM+ Envelhecimento por meio de reações laterais parasitárias com o modelo Sub-grid Particle Surface Film Disponível desde o lançamento do Simcenter STAR-CCM+ 2406 , o modelo “ Sub-grid Particle Surface Film ” no Battery Cell Designer permite simular a resposta da célula a um ciclo de trabalho em relação a dois dos principais mecanismos de degradação O crescimento do filme da Interfase de Eletrólito Sólido (SEI) O crescimento do filme de revestimento de metal de lítio Uma partícula de material ativo, apresentada na conferência NordBatt Ambas são reações colaterais parasitárias que ocorrem durante a operação da célula. O revestimento de lítio é a deposição de metal de lítio na superfície da partícula. E o SEI é o filme criado a partir da reação entre a partícula e o eletrólito. Devido às reações secundárias, a quantidade de lítio disponível para ciclagem diminui, sendo possível monitorar a quantidade de lítio restante no eletrólito e no material ativo. Isso permite verificar o efeito na capacidade da bateria. A resistência da camada de filme (resistividade multiplicada pela espessura) também é uma função que pode ser monitorada e contribui para a resistência interna total da célula. Degradação induzida mecanicamente com o modelo Sub-grid Particle Surface Film O Simcenter STAR-CCM+ contém o " Sub-Grid Particle Aging ", que se concentra nos efeitos de degradação de natureza mecânica. Nesse caso, a perda de material ativo devido a tensões mecânicas é caracterizada pelas tensões alternadas durante a carga e a descarga, ou seja, a inserção e extração cíclicas de lítio das partículas de material ativo, o que pode levar à formação de rachaduras nos eletrodos. Isso pode causar perda de contato elétrico e redução do material ativo utilizável, levando à perda geral da capacidade da célula e ao aumento da resistência interna. Uma partícula de material ativo, apresentada na conferência NordBatt Existem dois tipos de formação de fissuras, representadas por duas opções de modelo no modelo “ Sub-Grid Particle Aging ”: O primeiro é o modelo de “Perda de Material Ativo”. Caracteriza-se pela quebra de partículas ou “blocos” de eletrodos, levando à perda de contato elétrico das partículas de material ativo, tornando-as eletroquimicamente inertes e impedindo-as de participar das reações eletroquímicas. Essas partículas representam, portanto, uma perda na capacidade da célula. O segundo efeito é o modelo de "Crescimento de Trincas Superficiais". A inserção e extração cíclicas geram trincas dentro das próprias partículas. Essas trincas expõem uma nova superfície para o crescimento da Interface Eletrolítica Sólida (SEI), levando ao consumo de Lítio e, portanto, a uma perda geral de capacidade e aumento da resistência interna. Observe que esta opção de modelo é compatível com o modelo " Sub-grid Particle Surface Film ", que permite a simulação dos efeitos de crescimento da SEI. Observe também que algumas publicações sobre o tema sugerem que a tortuosidade, que descreve o quão sinuoso ou indireto é o caminho que os íons de lítio precisam percorrer dentro dos poros do material eletrodo, deve aumentar à medida que as trincas superficiais crescem. Uma estrutura confiável de simulação de envelhecimento de bateria Os modelos de envelhecimento mencionados foram validados com base em medições experimentais geradas durante o projeto MODALIS² , financiado pela Comissão Europeia, que se concentrou no desenvolvimento de modelos de envelhecimento baseados em física para a última geração de células de bateria de íons de lítio. Este trabalho foi realizado com importantes parceiros industriais especialistas na área de baterias, como um fabricante de células, um fornecedor de cátodos e um fornecedor de eletrólitos. Dito isso, graças à alta fidelidade da modelagem física e à implementação tridimensional exclusiva dos modelos, esses modelos de envelhecimento oferecem a capacidade de localizar as áreas da célula mais impactadas por todos os tipos de envelhecimento. Isso é apenas em teoria. Então, vamos analisar esses modelos em ação. Simulando ciclos de envelhecimento em 3D Esse primeiro exemplo foi apresentado na conferência NordBatt em 2022 pelo colega Stefan Herberich da SIEMENS . Foi usado um protótipo de célula utilizado no projeto MODALIS² , financiado pela UE , e a célula é testada ao longo de vários ciclos com condições agressivas de envelhecimento para localizar as áreas fracas onde a degradação é mais dominante. A célula considerada consiste em 15 camadas eletroquímicas. A célula discretizada é mostrada abaixo, juntamente com alguns resultados. No total, existem aproximadamente 200.000 células de volume finito. Em particular, a direção da espessura é discretizada usando 10 células por camada de ânodo e cátodo e 2 células para o separador e coletores de corrente. O ciclo de acionamento consiste nas seguintes etapas: primeiramente, realiza-se o carregamento com corrente constante (CC), aplicado a uma taxa de 2C. As taxas C indicam a relação entre a corrente de carga e a capacidade da bateria — em 1C, uma bateria completamente descarregada (0% de estado de carga, ou SOC) é totalmente carregada em 1 hora; em 2C, a corrente é o dobro, e o carregamento é concluído em aproximadamente 30 minutos. Caso a tensão ultrapasse 4,2 V, o processo passa para o modo de carregamento com tensão constante, mantendo-se em 4,2 V até que o estado de carga atinja 95%.O limite de 4,2 V é alcançado rapidamente. Em seguida, a bateria permanece em repouso por pouco mais de 3 minutos e, então, é descarregada até 60% do estado de carga, também a uma taxa de 2C. Após novo período de repouso, o ciclo completo é repetido dez vezes. Interpretações de resultados O estudo fornece insights sobre os efeitos dos dois mecanismos de envelhecimento que ocorrem: o crescimento do SEI e a influência das reações colaterais do revestimento de lítio. As imagens mostram a espessura média da camada de SEI ao redor da partícula e a espessura média equivalente do lítio revestido em uma partícula, respectivamente. Foram observados os resultados correspondentes no plano do ânodo e em uma seção transversal na direção da espessura da célula. Além da análise sobre SEI, este estudo também mostra importante informação sobre o LAM (Loss of Active Material) ou Perda de Material Ativo, que se refere à degradação ou inutilização do material eletrodo que participa das reações eletroquímicas. No plano: as condições de contorno térmico são tais que as temperaturas mais altas são observadas no centro da célula da bateria. Nesse local, a dependência da temperatura de múltiplos parâmetros do material leva a maiores taxas de crescimento do SEI. O LAM é pronunciado próximo às abas da bateria, onde são observadas as maiores taxas de variação de tensão. Em espessura: Como esperado, o crescimento do SEI e do LAM são maiores perto do separador. As condições de operação são tais que o metal de lítio, com perfil homogêneo inicialmente especificado, é dissolvido mais rapidamente do que depositado, especialmente perto do separador. SEI durante a etapa de formação O segundo estudo será sobre SEI durante a carga inicial, também conhecida como formação. Utilizando os resultados apresentados em “Andrew Weng et al. 2023 J. Electrochem. Soc. 170 090523”, o Simcenter STAR-CCM+ e o modelo “ Sub-grid Surface Film ” foram utilizados para replicar este estudo. O artigo descreve a formação de SEI, ou seja, o acúmulo de uma camada de passivação no ânodo de grafite de uma bateria durante os primeiros ciclos de carga. A camada de filme é formada devido a uma reação lateral dos componentes do solvente S, carbonato de etileno (EC) e carbonato de vinila (VC), com Li+, que produz os componentes do filme P, dicarbonato de etileno de lítio (LEDC) e dicarbonato de vinila de lítio, e subprodutos gasosos Q. Apenas as primeiras 4 horas do processo de formação foram simuladas, é quando ocorre a dinâmica rápida e a mudança do regime cineticamente limitado para o regime de reação limitado por difusão. Os resultados correspondem razoavelmente à referência: Os resultados demonstram a capacidade de usar o Simcenter STAR-CCM+ em uma abordagem para entender o processo de formação do SEI, mas também para poder controlá-lo melhor e traz o potencial de reduzir sua duração geral, que em alguns casos pode durar até ~20 dias. Quer entender como prever e mitigar o envelhecimento das baterias com alta precisão e eficiência? Agende uma reunião com a CAEXPERTS e descubra como as soluções Simcenter Amesim e STAR-CCM+ podem revolucionar o desenvolvimento de células mais duradouras e sustentáveis para veículos elétricos. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

Construa um Sistema de Armazenamento de Energia de Bateria (BESS) escalável e obtenha elevado retorno de investimento Este post tem como foco o papel crucial do armazenamento de energia na promoção da sustentabilidade e da lucratividade das empresas. Ao integrar o BESS com fontes de energia renováveis, as empresas podem obter economias significativas de custos, reduzir sua pegada de carbono e impulsionar a lucratividade a longo prazo. Vamos investigar como os líderes do setor de BESS estão criando plantas digitais, aumentando a flexibilidade e construindo uma vantagem competitiva em um mercado em rápida transformação. Se a sua empresa está pronta para liderar a transição para BESS, este é o seu roteiro. A simulação do sistema desempenha um papel crucial A simulação de sistemas desempenha um papel crucial na avaliação técnico-econômica de sistemas de armazenamento de energia de bateria (BESS) no setor de energia, especialmente quando integrados a fontes de energia renováveis, como turbinas eólicas e sistemas solares fotovoltaicos (FV). Vários casos de uso cobertos pelo BESS Aqui estão alguns aspectos principais: Equilibrando a geração e o consumo de energia : Redução de pico e deslocamento de carga : ao simular diferentes perfis de carga, o BESS pode ser otimizado para redução de pico (redução da demanda de pico) e deslocamento de carga (transferência do consumo de energia para horários fora de pico), o que pode reduzir os custos de energia e melhorar a eficiência da rede. Estabilidade da rede : as simulações podem avaliar como o BESS pode ser usado para equilibrar a geração intermitente de energia renovável com a demanda da rede, melhorando a estabilidade e a confiabilidade da rede Integração com Energias Renováveis : Gestão de Energia : Estratégias avançadas de gestão de energia podem ser simuladas para coordenar a operação do BESS com a geração renovável, garantindo que a energia seja armazenada e distribuída da forma mais eficiente possível. Inclua as condições climáticas. Evolução do Preço da Energia : Previsão e Otimização : Simulações de sistemas podem modelar cenários futuros de preços de energia, ajudando a otimizar a operação do BESS para arbitragem de energia (comprar na baixa e vender na alta). Isso garante que o BESS seja usado da maneira mais econômica possível. OPEX/CAPEX : Análise de Custos : Simulações podem fornecer análises detalhadas de custo-benefício, incluindo despesas de capital (CAPEX) e despesas operacionais (OPEX). Isso ajuda a compreender a viabilidade financeira e o período de retorno dos projetos BESS. Modelagem de degradação : ao simular a degradação das células da bateria ao longo do tempo, é possível estimar os custos de manutenção e cronogramas de substituição, que são essenciais para o planejamento financeiro de longo prazo. No geral, a simulação do sistema fornece uma estrutura abrangente para avaliar a viabilidade técnica e econômica dos projetos BESS, ajudando as partes interessadas a tomar decisões informadas sobre investimentos e operações. Vamos descobrir juntos as fases iniciais de um projeto de Sistema de Armazenamento de Energia de Bateria (BESS), com foco em algumas avaliações técnico-econômicas para ter sucesso (OPEX/CAPEX, evolução do preço da energia, balanceamento de carga, retorno do investimento), passando por diferentes etapas com o Simcenter System Simulation : Para calcular a conta de luz do seu cliente Considerando algumas previsões meteorológicas A partir de energias renováveis ​​(solar fotovoltaica) Otimização do Sistema de Armazenamento Elétrico de Bateria (BESS) e estratégia de controle Até resultados típicos em operações baseadas em cenários realistas O caso de uso aqui é uma unidade de processamento de alimentos perto de Lyon, na França. Alguns esforços foram dedicados à modelagem do sistema solar fotovoltaico (FV) integrado ao BESS e aos consumidores ao redor. Com sua carga e sistema de aquecimento representados durante um período de 1 ano (janeiro a dezembro). O gêmeo digital considera as operações do BESS solar FV com diferentes estruturas tarifárias de eletricidade e custos unitários de FV ou BESS. Portanto, aborda o valor técnico-econômico da adoção do BESS em estruturas tarifárias dinâmicas. Embora o estudo de caso tenha sido realizado na França, é importante destacar que resultados ainda mais expressivos poderiam ser obtidos em países com maior incidência solar, como o Brasil. A elevada irradiância ao longo do ano aumenta significativamente o potencial de geração fotovoltaica, ampliando a eficiência do BESS e reduzindo o tempo de retorno do investimento. Dessa forma, a combinação entre o alto recurso solar e a aplicação de estratégias de simulação avançadas torna o cenário brasileiro especialmente promissor para projetos de armazenamento de energia e integração com fontes renováveis. Melhor design para excelência operacional À medida que a economia BESS ganha um impulso sem precedentes, as empresas correm para atender à crescente demanda por energia limpa. No entanto, escalar a produção e, ao mesmo tempo, permanecer lucrativo, sustentável e resiliente representa um desafio formidável. Produtores de BESS e fabricantes de equipamentos precisam superar sistemas de dados fragmentados, altos custos de energia e complexidades da cadeia de suprimentos para se manterem à frente. Empresas que buscam a excelência operacional já estão transformando esses desafios em oportunidades. Ao utilizar gêmeos digitais e simulações avançadas, elas estão otimizando processos, reduzindo custos e melhorando a escalabilidade. A indústria energética precisa do BESS para economizar dinheiro e reduzir as emissões de carbono Gêmeo digital para uma unidade industrial Trata-se de um gêmeo digital BESS distribuído para prever e otimizar o desempenho do sistema com multifísica. Inclui os consumidores (instalação de processamento de alimentos: 20 °C) com o sistema de aquecimento e a carga do cliente, a conexão à rede, a energia solar fotovoltaica com painéis solares, as baterias estacionárias, bem como um controlador inteligente baseado nas condições climáticas e na flutuação do preço da energia. Gêmeo digital do BESS no Simcenter Amesim Na imagem acima, os blocos Sistema de Aquecimento, Carga do Consumidor e Energia da Rede Elétrica foram modelados no Simcenter Amesim com base em tabelas contendo dados reais de operação da instalação industrial e fórmulas pré-definidas para o cálculo do consumo e do custo de energia proveniente da rede elétrica. Esses blocos permitem representar o comportamento energético do sistema sob diferentes condições de carga, fornecendo uma base confiável para análise de desempenho e custo operacional dos sistema BESS. Já os blocos de Painel Solar e Bateria utilizam modelos físicos simplificados para representar o funcionamento real desses dispositivos. A geração fotovoltaica é simulada a partir de dados históricos de irradiância solar e temperatura ambiente, enquanto o modelo da bateria foi parametrizado com base em informações de catálogos técnicos, permitindo prever estados de carga, eficiência e capacidade disponível. Esses modelos capturam a dinâmica energética do sistema. Por fim, o bloco de Controle Inteligente atua integrando todas essas informações para realizar a tomada de decisões em "tempo real". Assim, o controle otimiza o fluxo de energia entre geração, armazenamento e consumo, buscando reduzir custos e melhorar o desempenho global do sistema. Ao executar a simulação, os usuários podem acessar todas as variáveis ​​dos diferentes subsistemas. Assim, a informação completa está disponível, desde a carga do consumidor [kW] até a conta de energia elétrica ao longo do tempo [€] (1€ » 1$). Foi considerada a evolução do preço da energia elétrica ao longo do ano, com sua flutuação diária. Abaixo, estão representadas duas evoluções de preços no dia 1 (janeiro) e no dia 190 (julho), para obter informações sobre os preços mínimos/máximos em vários períodos do ano. Resultados típicos obtidos com o gêmeo digital BESS O painel solar inclui sua localização GPS, fator de turbidez (efeito de partículas, semelhante à fumaça no ar) ou fator de cobertura de nuvens (para condições climáticas). Evolução do fator de cobertura de nuvens para as condições meteorológicas Ao mesmo tempo, a evolução da temperatura externa é incluída a partir de um banco de dados conhecido, permitindo que os usuários avaliem seu impacto no sistema de aquecimento, considerando o valor de ajuste da temperatura interna de fábrica. Evolução das temperaturas (teto, exterior, interior) e da potência do ar condicionado Esta análise permite calcular as informações associadas, como, por exemplo, a potência do ar condicionado [W] ou o consumo de energia de todos os subsistemas ao redor. Dessa forma, os usuários obtêm uma evolução realista das potências para avaliar o mecanismo de balanceamento e as estratégias de controle ideais a serem implementadas em seu sistema BESS. Macroanálise do BESS com cenários realistas O modelo da unidade de industrial permite sua exploração em massa. As análises são realizadas em poucos minutos, abrindo portas para cenários longos e complexos. Geração e consumo de energia [kW] para todos os subsistemas (a bateria está inativa aqui) Os usuários podem avaliar de forma prática a geração, o armazenamento e o consumo de energia de todos os subsistemas. Enquanto isso, o controle inteligente gerencia o Sistema de Gerenciamento de Energia (SGE) para distribuir a energia, armazená-la no BESS ou entregá-la à rede. Sendo todas as evoluções intermitentes ou dinâmicas, é por isso que uma ferramenta de Simulação de Sistemas, como o Simcenter Amesim , é necessária para otimizar o dimensionamento e as estratégias de controle. Por fim, o usuário pode acessar as variações dos fluxos de energia ao longo do tempo. Você pode, por exemplo, verificar a energia gerada pelos painéis solares ou trazida pela rede, bem como a energia fornecida pela bateria. Ela corresponde à energia necessária para a carga, enquanto alguns pequenos níveis de energia são retirados da rede ou restituídos à bateria fora dos períodos de pico, quando a demanda é baixa. Variações dos fluxos de energia ao longo do tempo Essa é uma grande conquista! Já pode-se observar bons resultados graças ao gêmeo digital com o Simcenter System Simulation . Mas é possível ir muito além, mais no aspecto técnico-econômico. Veja como você pode economizar US$ 1 milhão em 20 anos, reduzindo simultaneamente uma enorme quantidade de emissões de CO₂ ,  até -17 toneladas de CO₂ equivalente. Economize 1 milhão de dólares e toneladas de CO₂ equivalente Serão abordados agora os aspectos de negócios e descarbonização, com o objetivo de demonstrar como é possível criar uma previsão escalável para sistemas BESS, de modo a mensurar e replicar sucessos significativos. O gêmeo digital da unidade de processamento de alimentos é equipado com meta-informações para produzir os KPIs econômicos relevantes (indicadores-chave de desempenho) para garantir sua monetização, retorno sobre o investimento (ROI) ou payback por meio de CAPEX (despesas de capital) ou OPEX (despesas operacionais). Custos operacionais [$k] durante o cenário A referência é a conta de luz sem painéis solares nem BESS. São US$ 103 mil pagos durante 1 ano. Com a instalação dos painéis solares e do BESS, pode-se capturar a nova conta de luz, que agora é de US$ 33 mil após 1 ano, com um investimento de US$ 625 mil para o sistema fotovoltaico e US$ 77 mil para o BESS. Isso corresponde a uma economia de US$ 70 mil por ano em OPEX, graças à instalação. Descontando os custos de CAPEX, obtem-se um benefício de US$ 698 mil após 20 anos de operação. Os custos de CAPEX são reembolsados ​​após um período de retorno de 10 anos. Sabendo que o valor dobra a cada 15 anos devido à taxa de juros, pode-se considerar que a economia real chegará a US$ 1 milhão após 20 anos. Observe que este é um cálculo preliminar que mostra o potencial, enquanto coisas como inflação e custos de manutenção não são cobertos, o que é bom para uma primeira estimativa. Lucratividade [$k] incluindo retorno [ano] Agora é o momento certo para otimizar o dimensionamento e extrair o máximo valor da nova instalação. Descubra em poucos cliques os benefícios máximos e os melhores retornos. Foi configurado um estudo em lote para variar alguns parâmetros selecionados, definidos como o número de painéis solares (366, 488, 610) e o número de racks de baterias (0, 100, 150). Observa-se que é possível reduzir o período de retorno para aproximadamente 9 anos (-11%) nas configurações mais favoráveis, enquanto outras opções podem estendê-lo para até 12 anos (+20%). Comparação do retorno do investimento [ano] dependendo do número de painéis solares e do número de racks Por fim, para a boa saúde da Terra em relação às mudanças climáticas, também é fundamental observar a redução das emissões de carbono graças às fontes renováveis, ao sistema BESS e às estratégias de controle inteligentes. Emissões de CO₂ da rede, carga e aquecimento, bem como a redução total de CO₂ por ano Foi alcançada uma redução significativa de 17 toneladas de CO₂ equivalente por ano. Esse resultado representa uma contribuição relevante para o processo de sustentabilidade por meio da descarbonização. Todas essas conquistas foram obtidas com o uso do gêmeo digital por meio do Simcenter System Simulation . Indo mais longe Pode-se até ir um pouco além, introduzindo um novo paradigma com um controle de supervisão da rede. As tecnologias mais recentes e inovadoras permitem combinar inteligência artificial (IA), previsão do tempo e dados transmitidos. Este gêmeo digital offline é convertido em um gêmeo digital executável que conecta dados de desempenho em tempo real com informações precisas e bem orquestradas da planta e ferramentas de simulação, para que você possa solucionar situações críticas do sistema (picos durante a comutação, ...) ou se beneficiar ainda mais do preço e da redução de CO₂. Que ótima perspectiva! Controle de supervisão de rede, combinando IA, previsão do tempo e dados transmitidos Em resumo, os proprietários-operadores no negócio global de BESS têm uma oportunidade histórica de expandir seus negócios e participação de mercado nas próximas décadas. As empresas que emergirão como líderes no setor de entregas serão aquelas que conseguirem superar a complexidade do BESS e transformá-la em vantagem competitiva. A simulação de sistemas definitivamente ajuda a ter sucesso em sua jornada BESS graças à digitalização, com integração de sistemas e controles inteligentes. Agende uma reunião com a CAEXPERTS  e descubra como transformar o potencial do seu projeto BESS em resultados reais. Nossos especialistas mostram como o uso de gêmeos digitais e simulação de sistemas pode otimizar o dimensionamento, reduzir OPEX e acelerar o retorno sobre o investimento (ROI) — tudo enquanto sua empresa avança na transição energética e descarbonização. Dê o próximo passo rumo à eficiência e sustentabilidade: fale conosco hoje mesmo. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

Desafio: alcançar uma prototipagem virtual rápida e precisa O projeto ideal de transmissões multiatributo continua sendo um desafio crítico para engenheiros de transmissão, ganhando ainda mais importância na era dos veículos elétricos. A indústria automotiva atual exige sistemas de transmissão que se destaquem em múltiplos aspectos: minimizando ruídos e vibrações, maximizando a densidade de potência e a eficiência, ao mesmo tempo em que garantem desempenho de durabilidade sem precedentes. Para isso, engenheiros de transmissão precisam projetar transmissões inovadoras que atendam aos critérios de desempenho multiatributo. A Engenharia Assistida por Computador (CAE) permite que engenheiros da indústria criem protótipos virtuais e otimizem a otimização de seus próximos produtos. Simulações são essenciais para prever e otimizar com precisão o comportamento dos componentes e o desempenho da transmissão em nível de sistema ao longo do ciclo de desenvolvimento. Modelos poderosos baseados em física e recursos de simulação estão disponíveis, os quais modelam com precisão produtos reais, realizam simulações preditivas e otimizam o desempenho do produto em termos de estática, dinâmica, aerodinâmica, acústica, durabilidade, etc. Esses modelos baseados em física, como os modelos de Elementos Finitos (EF), são adotados com sucesso em fluxos de trabalho de desenvolvimento industrial. Para simulações de alta fidelidade (por exemplo, simulações detalhadas de contato de EF), a fidelidade do modelo deve aumentar para permitir previsões precisas, o que, infelizmente, também aumenta o tempo e o custo computacional do modelo. Em CAE, as tecnologias de Inteligência Artificial (IA) e Machine Learning (ML) estão revolucionando as simulações físicas. Entre os avanços, a modelagem substituta para simulações físicas experimenta rápido crescimento graças a técnicas e arquiteturas avançadas de IA. Modelos substitutos, ou modelos de ordem reduzida (ROMs), oferecem alternativas eficientes a simulações de alta fidelidade computacionalmente dispendiosas (como simulações detalhadas de contato de elementos finitos). Esses modelos substitutos baseados em IA/ML, capazes de fornecer previsões rápidas e precisas, mantendo alta fidelidade, liberam o potencial para a exploração extensiva e automatizada do espaço de projeto, permitindo que engenheiros avaliem com eficiência milhares de variantes de projeto em uma fração do tempo exigido pelos métodos de simulação tradicionais. Engrenagens, como componentes críticos em sistemas de transmissão, beneficiam-se particularmente dessas abordagens avançadas de simulação, pois seu projeto exige consideração cuidadosa de deformação, tensões de contato e flexão, além de durabilidade. Este artigo apresenta um novo método de análise de projeto de engrenagens que combina os pontos fortes dos modelos de EF e IA/ML para obter uma previsão eficiente e precisa das tensões nas engrenagens, demonstrando como essa tecnologia pode ser implementada na prática em fluxos de trabalho industriais. Solução: combinar modelos poderosos de alta fidelidade com IA/ML O inovador método de análise de tensões em engrenagens explora os poderosos recursos de simulação preditiva dos modelos de elementos finitos (FE) para gerar dados de simulação precisos, que são então usados ​​para treinar um modelo substituto de IA/ML. Uma vez treinado, o eficiente modelo substituto de IA/ML pode prever com precisão as tensões nas engrenagens para combinações inéditas de parâmetros de projeto. Isso combina os pontos fortes de FE e IA/ML em um novo recurso de análise de tensões em engrenagens acelerado por IA/ML que fornece previsões precisas rapidamente. O fluxo de trabalho de simulação para análise abrangente de engrenagens integra os recursos das soluções de software Simcenter 3D e Simcenter Nastran , enquanto o Simcenter HEEDS atende ao duplo propósito de automatizar a geração de dados para treinamento de modelos de IA/ML e orquestrar estudos de otimização multiobjetivo que fazem uso dos cálculos do modelo de IA/ML. A Figura 1 ilustra o fluxo de trabalho de geração automatizada de dados, no qual o Simcenter HEEDS orquestra o processo de simulação baseado em física. O fluxo de trabalho agiliza a criação de conjuntos de dados de engrenagens, incorporando elementos das metodologias de otimização de projeto de engrenagens de movimento 3D do Simcenter. Para cada projeto, primeiro a macrogeometria e a microgeometria do par de engrenagens são avaliadas antes que o módulo de análise de elementos finitos não lineares (NLFEA) gere o modelo de elementos finitos e utilize o Simcenter Nastran para o contato automatizado das engrenagens baseado em elementos finitos. Figura 1: Fluxo de trabalho de geração automatizada de dados de engrenagens, envolvendo o Simcenter HEEDS como orquestrador Este fluxo de trabalho adota modelos de simulação baseados em física de alta fidelidade, trazendo diversas vantagens aos engenheiros de projeto: previsões altamente precisas do comportamento no mundo real por meio de modelagem detalhada de fenômenos físicos (como a mecânica de contato não linear em engrenagens) e uma compreensão profunda de interações e fenômenos complexos que poderiam passar despercebidos em modelos mais simples. Esses modelos detalhados fornecem uma fonte confiável de dados de treinamento para modelos de IA e validação de modelos de IA . Para acelerar a análise de tensão e durabilidade de engrenagens, essa abordagem substitui a análise de contato tradicional baseada em NLFEA por um modelo substituto de IA/ML, treinado com base nos resultados da análise de contato de NLFEA, para prever a alteração da tensão na peça bruta e na raiz do dente ao longo do ciclo de engrenamento da engrenagem. A ROM resultante, baseada em IA/ML, oferece tempos de computação significativamente reduzidos em comparação com as simulações baseadas em NLFEA de ordem completa, permitindo iterações rápidas de projeto. A incorporação do modelo de IA/ML aos fluxos de trabalho padrão de simulação de projeto de engrenagens cria um processo acelerado por IA/ML que permanece altamente preciso, ao mesmo tempo que abre portas para estudos de otimização multiobjetivo (normalmente inatingíveis por meio de modelos de elementos finitos tradicionais, que exigem muitos recursos). Dois elementos de solução adicionais são introduzidos para concretizar os fluxos de trabalho acelerados de IA/ML: Simcenter Reduced Order Modeling que permite a criação e implantação de ROMs a partir de dados de simulação e teste. Uma futura tecnologia de IA do Simcenter para modelagem substituta 3D que aproveita técnicas de aprendizado do operador. Resultados: realize análises rápidas e precisas de tensão nas engrenagens Foi introduzido um fluxo de trabalho de solução, com o objetivo de combinar o poder de modelos de alta fidelidade com modelos de IA/ML para obter análises de tensão em engrenagens aceleradas por IA/ML. Esta seção apresenta um caso de uso de engrenagem para comparar o fluxo de trabalho com o objetivo de obter análises de tensão em engrenagens eficientes e precisas. O caso de uso do projeto de engrenagem é descrito abaixo e tem quatro parâmetros de projeto: o ângulo de pressão normal, na faixa [18°-22°], o coeficiente de adendo do Pinhão, no intervalo [1,00-1,30], o coeficiente de adendo da Roda, no intervalo [1,00-1,30], e o coeficiente de deslocamento do perfil do pinhão, na faixa [0,35-0,70]. Utilizando o Simcenter HEEDS e o Simcenter Nastran , foram criados 81 projetos de engrenagens, variando os quatro parâmetros de projeto por meio de um DOE fatorial completo de nível 3. O conjunto de dados foi dividido aleatoriamente em 64 projetos como conjunto de treinamento e 17 projetos como conjunto de teste. Um modelo de IA/ML com aprendizado de operadores baseado em transformadores é treinado para prever tensões na superfície da engrenagem, considerando a geometria da superfície e as forças de contato como entradas do modelo. Neste primeiro estudo, optou-se por fazer com que o modelo de IA/ML aprendesse o campo de tensões de von Mises com sinal tridimensional completo, que captura tanto o comportamento compressivo quanto o de tração. A tensão de von Mises com sinal é criada por meio do pós-processamento do tensor tridimensional completo em cada nó, que é armazenado nos resultados de contato baseados em NLFEA. O modelo se concentra nos nós da superfície onde as falhas normalmente se iniciam (raiz do dente e regiões de contato), otimizando a eficiência computacional e mantendo a precisão para previsões de tensões críticas. Três abordagens são avaliadas para o caso de uso de projeto de engrenagem: Referência FE: Simulações de contato baseadas em NLFEA (Referência), ML com Forças FE: previsões de IA/ML usando forças de contato NLFEA, ML com forças de movimento: previsão de IA/ML usando forças de contato de movimento do Simcenter 3D . As forças de contato de engrenagens baseadas em múltiplos corpos (calculadas via Simcenter 3D Motion ) são usadas neste estudo, pois fornecem uma alternativa computacionalmente eficiente às caras análises de elementos finitos não lineares, ao mesmo tempo em que mantêm precisão suficiente na previsão de distribuições de força de contato – um aspecto que será crucial para futuros fluxos de trabalho de otimização de projeto. A Figura 2 apresenta uma análise do campo de tensões completo usando as três abordagens. O campo de tensões previsto pelo modelo substituto AI/ML com forças de contato baseadas em EF como entrada (Fig. 2b) mostra-se quase idêntico ao dos resultados baseados em EF de referência (Fig. 2a), enquanto o campo de tensões previsto pelo modelo substituto AI/ML com forças de contato baseadas em movimento como entrada (Fig. 2c) mostra apenas pequenos desvios dos resultados de referência. Essas descobertas são confirmadas pela Figura 3, que apresenta os resultados para a tensão na raiz do dente durante cinco ciclos de malha para um ponto localizado ao longo do meio da largura da face e no meio do arco da raiz do dente. Figura 2: Campos de tensão de Von Mises (sinalizados), calculados a partir de a) simulações de contato baseadas em NLFEA, b) modelo ML com forças baseadas em FE (entrada), c) modelo ML com forças baseadas em movimento (entrada), para um caso de exemplo de engrenagem de pinhão. Figura 3: Comparação da tensão da raiz do dente para um ponto (flanco médio, arco da raiz média) ao longo de 5 ciclos de malha (criados com base na tensão de 5 dentes durante 1 ciclo de malha) para um caso de exemplo de engrenagem de pinhão, Figura 3. Embora a geração de dados e o treinamento de modelos de IA/ML exijam um investimento inicial de tempo, esses são processos offline únicos. O modelo treinado resultante permite previsões rápidas, ideais para exploração e otimização eficientes do espaço de design. O modelo de IA/ML utilizado neste estudo requer cerca de 0,1 segundo para calcular o campo de tensões completo para um ponto no ciclo da malha, enquanto uma simulação de contato NLFEA requer, em média, cerca de 5 minutos. Sabendo que um ciclo de malha completo requer cerca de 20 a 30 configurações angulares por par de engrenagens e que uma transmissão industrial possui múltiplos pares de engrenagens para os quais centenas de variantes são exploradas, a inclusão dos modelos substitutos de IA/ML pode realmente acelerar a otimização do projeto de engrenagens. Conclusão e perspectivas Este estudo demonstra a integração bem-sucedida de modelos substitutos de IA/ML em fluxos de trabalho de projeto de engrenagens, alcançando velocidade e precisão na previsão de tensões. A abordagem de IA/ML fornece resultados que se aproximam muito das análises tradicionais de elementos finitos não lineares, sendo, ao mesmo tempo, muito mais rápida. Essa melhoria drástica na velocidade, combinada com a manutenção da precisão, abre novas possibilidades para a exploração abrangente do espaço de projeto e a otimização de sistemas de transmissão. O fluxo de trabalho desenvolvido, apoiado pelas ferramentas Simcenter e validado por meio de estudos de caso práticos, demonstra efetivamente a viabilidade industrial do projeto de engrenagens e transmissões acelerado por IA/ML. Referências D. Park, A. Rezayat and Y. Gwen, “Gear design optimization for multi-mesh and multi-power flow transmissions under a broad torque range incorporated with multibody simulations”, in VDI International Conference on Gears 2022, Munich, Germany, 2022. M. Vivet, J. Melvin, S. Donders, “Advancing bevel gear contact simulation towards quiet transmissions”, Simcenter Blog, August 19, 2024. M. Vivet, D. Park, A. Scheuer, “AI/ML-accelerated gear durability analysis within gear design optimization”, in VDI International Conference on Gears 2025, Garching near Munich, Germany, September 10-12, 2025. Agende uma reunião com a CAEXPERTS e descubra como acelerar a análise de tensões em engrenagens com soluções que combinam simulação de alta fidelidade e Inteligência Artificial. Combinando modelos de alta fidelidade e IA/ML, ajudamos sua empresa a reduzir tempo de desenvolvimento, aumentar a precisão das análises e acelerar a inovação em sistemas de transmissão. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

O setor tem um prazo real a cumprir: 2050. Desde a adoção da Estratégia da Organização Marítima Internacional (OMI) para a Redução das Emissões de Gases de Efeito Estufa (GEE) por Navios em 2023, o setor marítimo tem buscado maneiras de atingir suas metas dentro do prazo. Seja modificando frotas existentes ou construindo novos navios, os desafios de engenharia que surgem para cumprir as diretrizes ambientais são enormes. Arquitetos navais e engenheiros de projeto precisam tomar decisões radicais com mais rapidez. Para isso, recorrem à simulação. Neste contexto marítimo, a simulação deixou de ser uma ferramenta dispensável para se tornar essencial para explorar todos os aspectos do desempenho da embarcação e as inúmeras opções de projeto. Para atingir seus objetivos, você precisa de ferramentas de simulação CFD que facilitem a configuração de casos complexos, incorporem as melhores práticas e possibilitem a automação. Você também precisa de ferramentas rápidas de executar e que contenham os recursos multifísicos avançados necessários para a simulação marítima. A boa notícia é que você pode fazer tudo isso e muito mais com o Simcenter! O Simcenter STAR-CCM+ possui um conjunto completo de ferramentas para automatizar completamente processos e fluxos de trabalho, além de criar modelos de simulação. Esses modelos permitem fluxos de trabalho repetíveis que podem ser criados por analistas experientes e repassados ​​aos engenheiros de projeto para a tomada de decisões de engenharia. Os modelos de simulação podem eliminar a maioria dos processos manuais envolvidos na construção de uma simulação CFD por meio de um modelo de modelo parametrizado, reduzindo a simulação ao seu conjunto mínimo de entradas. A partir daí, todos os cálculos de malha, condições de contorno, configurações do solver e pós-processamento podem ser aplicados de forma que as simulações sejam repetíveis e integradas às melhores práticas da sua organização. Os modelos utilizam ferramentas integradas ao software, permitindo que sejam atualizadas quando necessário; não são ferramentas de caixa-preta que você obtém do seu fornecedor de software! Um desses modelos é o tanque de reboque virtual (VTT). Preparação ágil Configurar uma simulação CFD marítima requer muitas etapas: importar CAD, definir propriedades de massa e hidrostáticas, criar uma malha adequada, definir a física do solver... Não aqui. O modelo de modelo parametrizado automatiza todas essas configurações e cálculos. Não há necessidade de scripts e o arquivo pode ser reutilizado para múltiplas simulações e compartilhado com outras pessoas. Portanto, o uso de um modelo garante consistência e melhores práticas em todas as simulações, além da repetibilidade dos resultados. Modelos focados em questões marítimas orientam você na configuração e execução e garantem que suas melhores práticas sejam aplicadas a cada simulação. Configurações de malha As abordagens tradicionais de CFD exigem várias horas de configuração manual. Qual deve ser o tamanho da malha? Como construir adequadamente minha malha de camada limite? E onde devo aplicar os refinamentos apropriados? Se você pensar bem, todas essas decisões são baseadas na velocidade, no tamanho e no formato da embarcação analisada. Um conjunto de operações de simulação passo a passo é incorporado ao arquivo de simulação para tomar essas decisões automaticamente. As operações determinarão todos os tamanhos de malha, locais para refinamento, onde aplicar as condições de contorno e todas as configurações relevantes do solver e critérios de parada. Esse processo é tão poderoso que você nem perceberá que está acontecendo e pressionará um botão para criar a malha E executar a simulação; e essas duas etapas estão perfeitamente interligadas. O que talvez seja ainda mais poderoso é que esse processo automatizado permite o sequenciamento multimalha (MMS). Esse método refina automaticamente a malha, mapeia a solução anterior para a malha e continua a execução. Esse processo é repetido sistematicamente até que a discretização final da malha seja alcançada. Em média, esse processo melhora o tempo de execução em um fator de 4 em comparação à execução do modelo apenas na grade final! Ilustração do refinamento da grade de sequenciamento MMS. Pós-processamento Relatórios para métricas-chave como resistência, compensação, elevação ou potência do eixo podem ser configurados antecipadamente. Dados de campo, como coeficientes de atrito, coeficientes de pressão e elevação da onda gerada, podem ser exibidos em cenas predefinidas e exportados para o Power Point usando uma macro. Informações chave, como a fração de esteira local, podem ser exportadas automaticamente para dados CSV para serem lidas em outros pacotes de software para análise posterior, se necessário. Exibição de layout de várias visualizações de pós-processamento automatizadas. Varredura completa de design O modelo é totalmente parametrizado, o que significa que qualquer tipo de estudo de exploração de projeto pode ser implementado usando a ferramenta de gerenciamento de projeto do Simcenter STAR-CCM+ . Você pode explorar automaticamente o espaço de projeto; gerar curvas de resistência e potência versus velocidade, explorar efeitos na massa ou analisar uma variedade de formas possíveis de casco e muito mais! Quer entender como a simulação CFD pode transformar seus projetos marítimos, reduzindo tempo e esforço, e ainda garantir conformidade com as metas ambientais? Agende uma reunião com a CAEXPERTS e descubra como levar sua engenharia naval a um novo patamar com o Simcenter STAR-CCM+ . WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

O papel do Modelo de Motor Inteiro (WEM) Prever folgas em turbinas a gás é uma tarefa complexa e interdisciplinar, envolvendo modelagem termomecânica transitória de todos os componentes dentro de um conjunto em vários cenários operacionais. Este processo, conhecido como Modelo de Motor Inteiro (WEM – Whole Engine Model), é crucial nas indústrias aeronáutica e de turbinas a gás para geração de energia. Entender como as folgas em turbinas a gás mudam ao longo do tempo é crucial para os fabricantes. Esse conhecimento permite que eles otimizem o desempenho e a eficiência do motor, minimizando o risco de atrito e outros danos. O Modelo de Motor Inteiro (WEM) não serve apenas para avaliar a condição de estado estacionário de uma turbina a gás quando está totalmente aquecida. Ele também ajuda a analisar operações transitórias, onde gradientes térmicos, diferenças de temperatura e cargas rotacionais afetam significativamente a folga entre as partes rotativas e estacionárias. Folgas em turbinas a gás: entendendo a expansão do metal A maioria de vocês deve se lembrar das aulas de física e dos experimentos com metais utilizando a expansão de esferas e anéis e os exemplos de tiras bimetálicas (Figura 1). O metal se expande quando aquecido, e diferentes metais se expandem em taxas diferentes. Em uma turbina a gás, e em particular em turbinas a gás de alta resistência, há muito metal aquecido em taxas e quantidades diferentes, resultando em expansão axial e radial ao longo do ciclo operacional. Figura 1. Expansão do metal sob cargas térmicas. Ambas as imagens são cortesia da Wikipédia Impacto das autorizações no desempenho e na eficiência Os OEMs de turbinas a gás estão sob tremenda pressão em um mercado competitivo para oferecer alto desempenho e eficiência, ambos intimamente ligados às folgas de operação ou lacuna entre as partes estacionárias e rotativas. Por exemplo, 1 mm de diferença de folga na lâmina da turbina pode ter um impacto de um megawatt (MW), que pode abastecer 650 casas nos Estados Unidos (EUA). Isso significa que uma turbina a gás de 500 MW pode abastecer 325.000 casas, e apenas uma perda de eficiência de 1% significaria abastecer 3.000 casas a menos. Alternativamente, um estudo do Laboratório Nacional de Oak Ridge descobriu que um ganho de eficiência de 1% em uma usina de energia de um gigawatt (GW) representa uma economia de 17.000 toneladas métricas de dióxido de carbono (CO₂) por ano, o que equivale a tirar mais de 3.500 veículos com motor de combustão interna (ICE) das ruas. Portanto, as folgas em turbinas a gás precisam ser as menores possíveis para garantir a máxima potência e eficiência. No contexto de um rotor com diâmetro de 1 a 2 metros e comprimento entre 5 e 15 metros, o WEM 2D permite simular e ilustrar deslocamentos em nível milimétrico para otimizar o desempenho e garantir a integridade dos componentes. Evolução das folgas em turbinas a gás Além disso, os OEMs precisam garantir que nenhum dano estrutural ocorra, pois as folgas na turbina a gás evoluem durante a partida e o desligamento do motor. Figura 2. Exemplo da evolução das folgas em turbinas a gás ao longo de um ciclo operacional típico. O gráfico é representativo e os movimentos são exagerados para fins ilustrativos A Figura 2 é um exemplo ilustrativo do que acontece com uma lâmina à medida que um motor acelera e é energizado. A folga de construção a frio, ou folga presente quando o motor é montado e resfriado, é arbitrariamente definida aqui em 2,5 mm. A folga muda e vemos inicialmente que ela se fecha para um mínimo local na partida devido à deformação centrífuga e pouca ou nenhuma carga térmica no lado do estator. Uma folga máxima ocorre subsequentemente à medida que a turbina a gás aumenta sua carga e mais calor é adicionado ao motor. O estator, composto por peças relativamente mais finas, aquece mais rápido, mas à medida que a temperatura do rotor aumenta, vemos uma evolução para uma folga de funcionamento em estado estacionário. No desligamento, a carga é desligada e vemos um fechamento da folga ainda maior à medida que o estator começa a esfriar antes do rotor. A folga se abre quando a carga e a velocidade caem, e vemos um retorno gradual às folgas de construção a frio à medida que o motor esfria. Desafios operacionais e pontos críticos em turbinas a gás No entanto, as turbinas a gás têm uma ampla gama de cenários operacionais, não apenas a versão idealizada visualizada representativamente na figura 2. Considerando a utilização atual de usinas de energia como reserva para energia verde, os tipos de ciclos de operação que as turbinas a gás têm que suportar são fisicamente mais exigentes e caracterizados por partidas, paradas e reinicializações frequentes. Isso tem influência não apenas na vida útil das peças, mas também quando e onde ocorrem pontos de aperto locais (folga mais apertada ou menor abertura) em uma turbina a gás. A Figura 3 é um exemplo de tal ponto de aperto ocorrendo em um local de lâmina no motor. Uma hora após o desligamento, o motor é reiniciado e pode-se ver como um novo mínimo local ocorre, pois o rotor ainda está quente, o estator em comparação está frio e a carga centrífuga é reaplicada. Figura 3. Exemplo de um ciclo de reinicialização de 1 hora. O gráfico é representativo e os movimentos são exagerados para fins ilustrativos Aproveitando o Simcenter 3D para análise de liberação Considerando uma turbina a gás industrial típica, com aproximadamente 15 estágios de compressor e 4 estágios de turbina, o engenheiro de folga deve realizar uma análise para cada estágio e para todas as condições operacionais, figura 4. É aqui que o processo WEM dentro do Simcenter 3D pode ajudar significativamente o processo de análise de folga. Pontos de referência podem ser atribuídos dentro do modelo, por exemplo, nas bordas de ataque e fuga das lâminas e palhetas e os respectivos locais opostos no estator e rotor. Os resultados transitórios para o movimento desses pontos podem ser lidos do Simcenter 3D para análise posterior em uma ferramenta como MS Excel ou Matlab. Isso permite que um engenheiro de folga ou mecânico construa uma imagem dos efeitos axissimétricos do motor. Acoplando esses resultados aos efeitos não axissimétricos de outros contribuidores (flexão do rotor, deformação da carcaça, etc.), incertezas e tolerâncias e o engenheiro confiável é capaz de construir uma imagem completa do comportamento da folga do motor de turbina a gás. Figura 4. Análise de folga necessária para cada lâmina e palheta em uma turbina a gás. Informações para a análise de folga de vários colaboradores Este tipo de análise pode ser utilizado pela equipe do projeto para definir e otimizar o desempenho do motor, minimizar os riscos de atrito e definir as margens de segurança a serem empregadas. Outras decisões, como abrasivos, pontas de desgaste e, por fim, o estado final de fabricação e montagem, podem ser tomadas com confiança utilizando este conhecimento prévio do comportamento da folga do motor de turbina a gás. Agende uma reunião com a CAEXPERTS e descubra como o Simcenter 3D com o Modelo de Motor Inteiro (WEM) pode transformar a análise de folgas em turbinas a gás, otimizando desempenho, eficiência e segurança operacional. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

Em 1817, Karl Drais deu o pontapé inicial ao criar a Draisine, considerada o marco inicial do conceito de bicicleta. Esse invento revolucionou a forma como as pessoas se movimentavam utilizando apenas a força do próprio corpo. Desde então, a evolução das bicicletas passou a depender fortemente de engenharia de ponta. O que caracteriza as grandes bicicletas e componentes atuais é o fato de serem resultado de processos de desenvolvimento baseados em simulações e testes rigorosos. Assim como ocorre na indústria automotiva e aeronáutica, o desenvolvimento virtual de produtos e as medições avançadas tornaram-se parte fundamental para alcançar desempenho, segurança e conforto superiores nas bicicletas modernas. Pedale mais rápido – CFD de aerodinâmica e o poder das GPUs Desde a primeira Draisine, um desafio muito óbvio no aprimoramento das bicicletas era torná-las mais rápidas. Tornar uma bicicleta mais rápida significa menos atrito. E menos atrito significa duas coisas: primeiro, menor atrito mecânico na transmissão e entre as rodas e o solo. E, segundo, menos atrito do ar, também conhecido como arrasto, o que se traduz em melhor aerodinâmica. E embora calças justas só nos levem até certo ponto, para máquinas de corrida de alto desempenho, a simulação CFD teve que conquistar o mundo do desenvolvimento de bicicletas para torná-las o mais eficiente possível no ar. E para projetar uma bicicleta mais rápida, a tecnologia de resolução CFD nativa de GPU chegou bem a tempo, como a Trek Bicycle demonstrou de forma impressionante no Tour de France 2024. Pedale mais – Projete a exploração espacial Mas, enquanto isso, empresas como a Trek não apenas executam uma simulação CFD única para ver como um projeto funciona e depois mexem um pouco em outro. Não, elas executam fluxos de trabalho automatizados de exploração de projeto para analisar o desempenho de centenas de projetos (é aí que o HPC hospedado na nuvem e o CFD acelerado por GPU se tornam bastante úteis). Para dar uma ideia do nível de cuidado que a otimização aerodinâmica de bicicletas de corrida exige hoje: a Trek identificou a posição ideal das garrafas de água para minimizar o arrasto, identificou a posição ideal do ciclista em condições de vento variáveis ​​e encontrou a configuração ideal de direção para uma equipe de quatro ciclistas. Além disso, esses estudos de otimização não se concentram mais apenas em um atributo de desempenho. Indo um passo além, a Trek analisou uma otimização multiatributos do desempenho aerodinâmico e do peso do quadro. Passeio mais seguro – Teste de impacto de capacete Se você pedala rápido, é melhor pedalar com segurança. Mas mesmo que seja só para buscar as crianças na creche ou ir ao supermercado, quando saio para um passeio rápido e esqueço meu capacete, imediatamente me sinto um pouco nu. A boa notícia é que os capacetes usados hoje melhoraram significativamente em termos de segurança e conforto em comparação com aqueles que se usavam no passado. Isso graças à melhoria contínua dos produtos, aos novos materiais e aos designs estruturais inteligentes, impulsionados pela homologação para certificação e pelo desejo do cliente por segurança e conforto. Como um ciclista apaixonado, fiquei bastante impressionado ao perceber que nós, da Siemens, estamos realizando análises de vídeo em alta velocidade, posicionamento da cabeça por laser e aquisição de dados sem fio para fornecer testes de capacete altamente precisos e repetíveis. Nossos especialistas podem até avaliar o nível de proteção que um capacete de segurança pode oferecer contra lesões cerebrais geradas por acelerações críticas de rotação. Em cooperação com os fabricantes de capacetes, entramos nesta nova era de testes de capacetes, contribuindo para a melhor proteção possível para a cabeça. Os profissionais da Siemens realizam análises de vídeo em alta velocidade, posicionamento da cabeça por laser e aquisição de dados sem fio para fornecer testes de capacete altamente precisos e repetíveis. Os especialistas podem até avaliar o nível de proteção que um capacete de segurança pode oferecer contra lesões cerebrais geradas por acelerações críticas de rotação. Ride cooler – Aerodinâmica do capacete e conforto térmico CFD Segurança é uma coisa, mas se você estiver em uma viagem longa, conforto (térmico) é outra. Mas, assim como acontece com os veículos, quando se trata de capacetes, há uma luta constante entre aerodinâmica e resfriamento. Felizmente, os engenheiros de hoje têm a simulação CFD avançada na ponta dos dedos. Abaixo estão alguns exemplos de como a dinâmica de fluidos combinada com a transferência de calor permite insights para encontrar soluções ideais na relação entre conforto térmico e baixo arrasto dos capacetes. Vá mais longe – Simulação de sistema para transmissão hidráulica ultraleve Quando se trata de bicicletas, admito que ainda sou um desses puristas teimosos. Nenhuma bicicleta elétrica chegou à minha garagem (ainda). No entanto, tenho que admitir que consigo entender o apelo (talvez seja exatamente por isso que tento ficar longe delas em primeiro lugar. Uma vez conectadas, parece que voltar atrás é impossível, é o que continuo ouvindo). Sejam quais forem seus sentimentos pessoais, o sucesso das bicicletas elétricas é, na verdade, uma ótima notícia. Para os seres humanos, para este planeta. Muitas pessoas que provavelmente nunca teriam pegado uma bicicleta, que teriam usado o carro mesmo para curtas distâncias, teriam afirmado que estariam encharcadas de suor se não fosse o desenvolvimento da bicicleta elétrica que as fez mudar de ideia. Acima de tudo, o sucesso das bicicletas elétricas foi impulsionado pela inovação na tecnologia de baterias. Mas também o design do motor elétrico e até mesmo a reformulação dos sistemas de transmissão tornaram as bicicletas elétricas um playground interessante para engenheiros. Pedale com mais silêncio – Aproveitando o Simcenter para testar a acústica de bicicletas elétricas Quando se trata de e-bikes, o alcance não é de longe a única coisa no escopo dos engenheiros. O ruído é igualmente importante. E como você não pode simplesmente tornar uma e-bike completamente silenciosa, trata-se de criar conforto acústico para o ciclista. E adivinhe, as empresas líderes estão investindo pesadamente nessas experiências acústicas. Veja a Trek Bicycles novamente, eles são pioneiros no conceito de colocar a qualidade do som no mapa métrico de e-mountain bikes, pois continua sendo um tópico quente na indústria. Da mesma forma, a MAHLE, que usa as soluções de teste Simcenter para otimizar a análise de ruído-vibração-aspereza (NVH) do sistema de transmissão de e-bikes e para testes de fim de linha. Passeio mais suave - O avô de todo conforto Falando em vibração, não tem como deixar de mencionar esta: é provavelmente a parte mais subestimada de quase todas as bicicletas modernas. Com pouco mais de 2,5 cm de comprimento, esta pequena peça salvou bilhões de ciclistas nos últimos 130 anos. Se não fosse pelo escocês Dunlop e sua pequena invenção, provavelmente os pneus de borracha rígidos ainda estariam sendo usados. Mas, graças à invenção da válvula de bicicleta Dunlop em 1891 (patente americana US455899 ), é possível encher os pneus com tranquilidade e desfrutar do prazer do amortecimento a ar. Agora, se você se diz um entusiasta de bicicletas, pode explicar como uma válvula dessas realmente funciona? Não? Bem, aqui está uma pequena simulação de interação fluido-estrutura que pode lhe dar algumas dicas que você lembrará na próxima vez que precisar bombear... Dirija com mais coragem – Simcenter para uma roda monocoque segura e de baixo arrasto Ok, vamos mudar de marcha novamente. E no ciclismo, mudar de marcha sempre significa falar de carbono. No competitivo mundo do ciclismo, a engenharia inovadora desempenha um papel crucial. Na vanguarda da tecnologia, ganhos marginais podem ser a diferença entre vencer e perder. Esse é o campo de jogo da Radiate Engineering & Design AG. A colaboração da Radiate com a Scott Sports levou ao desenvolvimento do Syncros Capital SL, um conjunto de rodas que deixa qualquer entusiasta de bicicletas impressionado. O destaque: "A Capital SL é uma construção monobloco, ou o que chamamos de monobloco, o que significa que o aro e os raios são fundidos em uma única peça", afirma Frederic Poppenhäger, sócio da Radiate. Esse design aprimora a integridade estrutural e reduz a inércia rotacional, resultando em melhor transmissão de potência e ganhos substanciais de velocidade para os ciclistas. Por meio de simulações, a Radiate avaliou diversos formatos e geometrias de aro, otimizando a aerodinâmica e o desempenho estrutural sem a necessidade imediata de modelos físicos. Além de reduzir o arrasto em 7%, a Radiate também melhorou a confiança e a segurança do ciclista, garantindo maior estabilidade em ventos cruzados. Para permitir uma pilotagem mais ousada. Pedalando juntos Agende uma reunião com a CAEXPERTS e descubra como as soluções do Simcenter podem transformar o desenvolvimento de bicicletas – da aerodinâmica ao conforto, da segurança ao desempenho – levando sua engenharia a um novo patamar de inovação. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

O armazenamento e a distribuição criogênicos — manuseio de substâncias em temperaturas extremamente baixas — podem soar como ficção científica, mas desempenham um papel crucial em muitas aplicações de engenharia. De foguetes aeroespaciais à preservação médica, tecnologias supercondutoras ou gás natural liquefeito (GNL) em navios, os sistemas criogênicos estão por toda parte. Mas como projetar esses sistemas para que sejam eficientes com o máximo nível de segurança? Usar a simulação de sistemas termofluidos pode ajudar a fazer exatamente isso. Nesta postagem do blog, será explorado como o Simcenter Amesim , uma plataforma de simulação de primeira linha, capacita engenheiros e entusiastas a modelar e otimizar sistemas de armazenamento criogênico de forma eficiente usando um exemplo de simulação inspirado em um experimento da NASA de autopressurização de tanques criogênicos. Desafios do armazenamento criogênico O armazenamento criogênico envolve o armazenamento de fluidos (hidrogênio, nitrogênio, gás natural) que são gasosos em condições ambientais. A redução de sua temperatura abaixo de um determinado ponto os transforma em líquidos muito frios, críticos em certas aplicações. O armazenamento desses líquidos criogênicos requer recipientes isolados especializados, como tanques Dewar ou criogênicos, para manter baixas temperaturas, evitar a transferência de calor e garantir a segurança. Mas baixas temperaturas trazem consigo desafios únicos, como gerenciamento térmico, acúmulo de pressão e evaporação. Lidar com esses desafios requer recursos avançados de simulação para antecipar quaisquer problemas de segurança que possam ocorrer durante o ciclo de vida do produto. Simulando armazenamento criogênico no Simcenter Amesim O Simcenter Amesim oferece ferramentas abrangentes para modelagem e análise de sistemas de armazenamento criogênico. Ele inclui um conjunto de componentes essenciais, como tanques criogênicos, que permitem simulações que representam fielmente as condições do mundo real, incluindo fatores como interação gás-líquido e troca térmica. Principais capacidades: Troca de calor e massa na interface líquido/gás Simular as fases líquida e gasosa dentro de um tanque de armazenamento Cenários de modelo incluindo enchimento e esvaziamento, autopressurização e evaporação Por que usar o Simcenter Amesim para armazenamento criogênico? O Simcenter Amesim inclui uma biblioteca de células de combustível e armazenamento de fluidos criogênicos. A compatibilidade entre essas múltiplas bibliotecas de termofluidos e a possibilidade de acoplá-las a um modelo térmico concentrado detalhado facilitam a integração em todo o sistema, aprimorando uma avaliação holística em projetos de engenharia. Com esses recursos, desde o início da fase de projeto, o usuário pode estimar facilmente o efeito em termos de aumento de pressão e temperatura causado pela possível entrada de calor em um tanque criogênico. Graças à adição de uma camada de filme na superfície livre do tanque, as pressões e temperaturas são capturadas com maior precisão, permitindo que os engenheiros dimensionem melhor os sistemas de isolamento. Isso resulta em um modelo de tanque criogênico de 3 nós – volume, filme e volume vazio. Tanque criogênico de três nós no Simcenter Amesim Quanto à geometria do tanque, ela pode ter qualquer formato 3D – graças à ferramenta de mapeamento CAD de tanques Simcenter Amesim , podemos gerar a altura do líquido do tanque como uma função do volume. Um exemplo prático: experimentos de autopressurização da NASA em um tanque de hidrogênio líquido Com as capacidades explicadas acima, pode-se construir um modelo Simcenter Amesim com foco em evaporação e autopressurização em um tanque criogênico. Esta demonstração é baseada em experimentos no Centro de Pesquisa Lewis da NASA , que exploram o armazenamento de hidrogênio líquido (LH₂) em um tanque esférico de 4,89 m³ sujeito a uma entrada constante de calor — descobertas publicadas por Hasan et al . Quanto à configuração dos experimentos, o tanque de LH₂ foi envolvido por uma câmara criogênica cilíndrica. A câmara pode ser resfriada com nitrogênio líquido ou aquecida acima da temperatura ambiente com resistências elétricas para manter uma determinada temperatura ao redor do tanque, que é chamada de Tamb nesta demonstração. Compreendendo as taxas de evaporação Três testes de evaporação foram realizados a 83 K, 294 K e 350 K de temperatura ambiente. Para resfriar a seção superior, o tanque é preenchido com LH₂ até 95% da capacidade. A pressão de ventilação é então gradualmente reduzida até a pressão operacional do sistema de controle de contrapressão de 117 kPa. A taxa de evaporação é monitorada até que se estabilize. O modelo Simcenter Amesim usado para executar este caso de teste é mostrado abaixo: Modelo de ebulição de hidrogênio No modelo acima, o GH₂ é expelido do tanque através de uma válvula de alívio. O calor também é transferido do exterior para o vapor, de um lado, e do exterior para o líquido, do outro. Para cada caso, um coeficiente de transferência de calor é definido usando uma condutância térmica variável para se ajustar aos valores médios de fluxo de calor absorvido, conforme mostrado na tabela abaixo. As condutâncias térmicas são testadas com as áreas úmida e seca para calcular os fluxos de calor. Experimentos Temperatura ambiente [K] Fluxo de calor [W/m²] Exp 1 83 0,35 Exp 2 294 2.0 Exp 3 350 3,5 Os valores finais das taxas de ebulição (expressas em SCMH) do modelo, após 50 h de simulação, são bem próximos, como mostrado abaixo ao lado das taxas de ebulição em estado estacionário do experimento. Taxas de ebulição (simulação vs experimentos) Explorando a dinâmica da autopressurização A autopressurização em um tanque criogênico ocorre basicamente quando você deixa o tanque em um ambiente "mais quente". O LH₂ evapora e aumenta a pressão do tanque, o que pode causar um problema de segurança em algum momento. Por isso, é importante avaliar esse acúmulo de pressão no tanque criogênico. Testes de autopressurização foram conduzidos em diferentes temperaturas ambientes: 83 K, 294 K e 350 K. O nível de enchimento inicial do tanque foi de 84% e a pressão inicial foi de 103 kPa. O objetivo aqui é configurar o modelo para corresponder aos valores da série temporal de pressão do tanque e verificar se os valores da série temporal de temperaturas estão dentro das faixas corretas. Modelo de autopressurização No modelo acima, não há ventilação. O LH₂ é armazenado e as condutâncias térmicas variáveis ​​são definidas para corresponder aos fluxos de calor médios trocados com o ambiente. Assim como os testes de evaporação, existem 3 testes de autopressurização, com duração de 20 h, 18 h e 14 h, respectivamente. Os valores de pressão são mostrados abaixo. Valores de pressão (simulação vs experimentos) Pode-se observar acima que, para os testes de pressurização, as pressões calculadas pelo modelo apresentam um padrão semelhante ao dos testes. Elas se desviam do experimento por um máximo absoluto variando de 1,5 a 6%. Conclusão Como foi visto na demonstração atual, com um modelo de tanque criogênico dividido em três nós — ulagem, filme e volume —, pode-se capturar fenômenos importantes, como taxa de evaporação e autopressurização. Para previsões aprimoradas de temperatura em ulagem, onde podem existir diferentes camadas de temperatura, uma maior discretização da parte superior pode ser benéfica. O armazenamento criogênico é uma tecnologia fundamental que molda o futuro das indústrias que dependem de hidrogênio e outras aplicações de baixa temperatura. O Simcenter Amesim oferece não apenas uma plataforma, mas um conjunto abrangente de ferramentas para visualizar, modelar e otimizar esses sistemas. Ao aproveitar seus recursos, você pode avançar significativamente em sua compreensão e design de soluções de armazenamento criogênico. Garanta que seus projetos criogênicos sejam mais eficientes e seguros com o poder do Simcenter Amesim . Agende agora uma reunião com a CAEXPERTS  e descubra como nossa expertise pode ajudar sua equipe a modelar, prever e otimizar sistemas de armazenamento criogênico com precisão e confiança. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

Engenheiros eletromagnéticos (EMAG) e elétricos se sentem à vontade com os pacotes simplificados de Engenharia Assistida por Computador (CAE) da EMAG, como Simcenter SPEED , Simcenter E-Machine Design  e Simcenter MAGNET . Colegas de Projeto Assistido por Computador (CAD) geram uma geometria com defeito, composta apenas por peças ativas da EMAG. Se houver problemas de CAD, como extrair a geometria de uma montagem ou erros de malha, o projeto é enviado de volta aos projetistas de CAD, e o tempo começa a correr. Podemos continuar assim? Com a corrida pela eletrificação, há uma necessidade de maior cooperação entre as diferentes equipes. Os designers de produto nos dão "a aparência e a sensação" do produto – a pele. Os designers de CAD distribuem os espaços. Os engenheiros de CAE trabalham, então, dentro das restrições, para adicionar a física necessária para otimizar o produto. Dedicar tempo à comunicação e ao alinhamento entre equipes é visto como parte inerente do processo, e a frase "é assim que as coisas funcionam em grandes empresas" é uma queixa comum. Processos abaixo do ideal podem ter sido aceitáveis quando os componentes eletromagnéticos eram um acessório do seu produto. No entanto, hoje em dia, um acionamento elétrico é a base de muitos produtos, e perder tempo em iterações com outros departamentos pode dobrar seus ciclos de desenvolvimento e disparar os custos de P&D. Além disso, a alta concorrência e a falta de recursos de engenharia tornam insustentável continuar perdendo tempo em iterações sem sentido. E quanto às mudanças CAD upstream que afetam os corpos EMAG? Não é incomum que um engenheiro da EMAG trabalhando em um trem de força elétrico receba um arquivo CAD neutro detalhado. Frequentemente, esses arquivos, embora consistindo de um conjunto de carcaça e transmissão, são não associativos. Os arquivos não terão o rotor, o núcleo do estator ou ambos e são mais visuais do que funcionais para o CAE. Isso desencadeia um vai e vem entre as equipes da EMAG e do CAD, que agora precisam limpar e simplificar a geometria e verificar os materiais. Somente após esse processo de limpeza, um engenheiro eletromagnético pode iniciar seu trabalho real de busca por um conceito e validação do projeto proposto. Devido às atuais taxas de juros crescentes e aos custos mais altos, os Gerentes de Projetos no segmento de VE (Veículos Elétricos) estão sob pressão elevada, para cumprir os prazos de entrega dos veículos com custos elevados se não forem controlados. Como resultado, você pode ouvir os seus pedindo à sua equipe para reduzir o peso e o volume dos componentes. Como engenheiro da EMAG, você se verá criando uma maneira de apressar os projetistas de CAD da sua época. Fique tranquilo; você não é o único. Os projetistas de CAD devem refletir as novas atualizações de CAD e ajudar as equipes de CAE a atualizar suas geometrias. Como você pode imaginar, os e-mails, ligações e reuniões para que isso aconteça são extensos, e o impacto no cronograma de lançamento no mercado é enorme. Como economizar tempo? Um sistema que permite ao engenheiro eletromagnético atualizar automaticamente seus modelos para o projeto CAD mais recente, com o mínimo de intervenção do projetista, aumentará a produtividade. Você pode ver um exemplo de um processo possível neste breve vídeo. O vídeo mostra como atualizar uma geometria de motor elétrico 2D extraída de um conjunto de veículo devido a alterações no diâmetro externo do estator. O vídeo começa focando no trem de força elétrico e, gradualmente, isola o motor elétrico do restante do conjunto. Em seguida, não apenas os corpos eletromagnéticos ativos são capturados, mas também são associados ao conjunto. Em seguida, adiciona-se tudo o que é preciso para a simulação: as regiões de ar e remesh, as geometrias 2D do rotor e a malha de elementos finitos para completar. Por fim, aciona-se uma alteração a montante no diâmetro externo do estator, que você pode ver nas atualizações na malha. A conexão CAD do ambiente Simcenter permite que você se concentre em seu trabalho – a análise eletromagnética. Extração e geometria associativa de motor elétrico 2D de um conjunto de veículos Agora, vamos voltar a atenção para o impulso global para reduzir o peso e integrar motores elétricos. Há uma necessidade de controlar os níveis de ruído e eliminar o calor em motores elétricos cada vez menores. Estes exigem refrigeração líquida mais complexa e projetos que garantam que os ímãs não se soltem, o que mudará a estrutura eletromagnética. Como você atualiza o modelo eletromagnético com mudanças geométricas orientadas por múltiplas físicas? Em um fluxo de trabalho tradicional, as atualizações de modelos não associados feitas por outros grupos exigiriam que o engenheiro da EMAG repetisse o fluxo de trabalho com a equipe de projeto e todos os e-mails e ligações relacionados. Você se sentiria condenado se não tivesse associatividade! Além disso, o problema só piora com o aumento do número de domínios da física em consideração. Os trens de força elétricos passam por uma série de iterações de simulação multifísica antes que os engenheiros definam um projeto. Essas mudanças horizontais são impulsionadas mutuamente por análises eletromagnéticas, térmicas, estruturais e de ruído e vibrações (NVH). Com engenheiros de cada departamento trabalhando simultaneamente com uma ferramenta não associativa, a probabilidade de um engenheiro trabalhar em um modelo desatualizado em vez do melhor projeto atual é notavelmente alta. Como você acompanha a geometria CAE atualizada? Felizmente, existe uma referência – embora sutil em um ambiente isolado. O CAD de projeto é o único elo comum entre a física e os requisitos do produto, como custo, que está atrelado ao volume e à massa. Conforme ilustrado na Figura 1, se o CAD de projeto estiver sendo atualizado continuamente, significa que todos os engenheiros de CAD e CAE estão acessando a mesma geometria simultaneamente. Obviamente, a atualização e o acesso são controlados em um ambiente gerenciado. Isso significa que você não terá resultados obsoletos em suas reuniões de projeto. Para eletromagnéticos, a geometria refletirá as alterações horizontais e a montante aprovadas recentemente. Figura 1 - Um projeto CAD atualizado captura mudanças geométricas impulsionadas pelos requisitos do produto upstream e pelas interações físicas horizontais Por exemplo, na Figura 2, tem-se a evolução das peças do estator EMAG de um projeto eficiente baseado apenas no desempenho eletromagnético para um que acomoda os canais de resfriamento nas bobinas. Observe que há redução no torque porque o volume agora é limitado. Isso ocorre porque o primeiro projeto contém mais aço e, portanto, pode transportar mais fluxo magnético. Como pode ver no vídeo, pode-se associar as partes ativas do eletromagnético ao projeto CAD. Após um estudo paramétrico para escolher a largura final do canal, essa alteração geométrica foi introduzida no projeto CAD. E como a geometria usada para a simulação eletromagnética é associativa, foi apenas uma questão de executar novamente a solução com as alterações. Figura 2 - O efeito da introdução de canais de resfriamento entre bobinas no desempenho do EMAG O que isso realmente significa? Em um processo de projeto multifísico como o necessário para uma máquina eletrônica, ter um fluxo de trabalho otimizado pode economizar centenas de horas de engenharia. Você só gasta o esforço de configuração inicial uma vez! O restante é apenas iterar o projeto, impulsionado pelos requisitos do produto e pelas mudanças físicas. O fluxo de trabalho associado ajuda a superar a abordagem compartimentada e o viés da física única no desenvolvimento. Um dispositivo eletromagnético eficiente pode não ser estruturalmente sólido ou mesmo impossível de fabricar. Ao capturar o que é possível por meio de restrições geométricas e interações físicas, chega-se a um design mais realista. Ao mesmo tempo, isso ajuda a gerenciar nosso próprio viés interno em relação à física e a trabalhar em conjunto para um bom equilíbrio de desempenho. O que você acha adequado para a física do projeto pode não ser necessariamente bom para o desempenho geral do produto. Um processo de design integrado permite fazer essas iterações e convergir muito mais rápido! Em resumo, o processo associado discutido neste blog reduz o tempo perdido, permitindo que os produtos sejam desenvolvidos mais rapidamente. Esse processo ajuda engenheiros e designers a definir um conceito mais rapidamente, garantindo que todos estejam trabalhando no modelo mais atualizado. Ao mesmo tempo, garante que desvantagens como viés em relação a modelos físicos específicos ou equipes isoladas não ocorram. Construa seu próximo motor elétrico mais rápido, melhor e, em termos de horas de engenharia, mais barato. Está pronto para reduzir retrabalhos, acelerar seu desenvolvimento e integrar equipes de CAD e CAE de forma mais eficiente? Agende uma reunião com a CAEXPERTS e descubra como otimizar o projeto do seu motor elétrico com fluxos de trabalho associativos e multifísicos – mais rápidos, mais colaborativos e mais econômicos. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

No dia 06 de agosto, nosso CEO Ricardo Barros esteve presente em Curitiba no evento Competitividade & Eficiência na Indústria 5.0: Acelere a sua Transformação Digital. O encontro reuniu executivos e especialistas da Siemens e de empresas parceiras para discutir como tecnologias como simulação e inteligência artificial estão acelerando a digitalização da indústria.   Inteligência artificial aplicada à engenharia   Durante sua participação, Barros destacou como a inteligência artificial, combinada à simulação computacional, já é uma realidade em ambientes industriais. Hoje o uso de software está presente em toda a cadeia de valor, permitindo fazer mais, em menos tempo, com maior confiabilidade. Em termos práticos, a IA na engenharia é um recurso que torna empresas mais competitivas em relação à concorrência.   Embora a IA exista há anos, o tema ganhou destaque com os modelos generativos recentes. A aplicação prática para a indústria, no entanto, vai além da criação de imagens e textos. Ela responde a uma necessidade crescente: lidar com a complexidade dos sistemas industriais e com a disponibilidade de um grande volume de dados em tempo real.   Como funciona na prática   É importante deixar claro: a IA não substitui a física. A base física continua sendo representada pela modelagem matemática presente em softwares de simulação, como o Simcenter STAR-CCM+ , Simcenter Amesim , Simcenter 3D e afins. A inteligência artificial atua como camada complementar, potencializando esses modelos.   Um exemplo citado por Barros foi o uso da IA integrada a modelos de ordem reduzida. Imagine uma planta industrial que opera com tanques de armazenamento. A partir de dados medidos em tempo real, a IA consegue rodar em paralelo simulações simplificadas do comportamento do tanque. Esses resultados, disponibilizados em aplicações de fácil acesso, como no Mendix, permitem que operadores e equipes de manutenção tenham uma visão transparente do sistema e recebam sugestões de ações baseadas em cenários investigados pela IA. O resultado é maior confiabilidade, segurança e eficiência operacional.   Busca inteligente de designs   Outro campo promissor é a integração da IA em algoritmos de busca inteligente para experimentos de simulação. Em vez de rodar milhares de casos de forma cega, a IA direciona a exploração para as regiões mais promissoras do espaço de design. Essa abordagem reduz significativamente o tempo computacional e aumenta a probabilidade de encontrar soluções inovadoras.   Uma solução end-to-end   Ao final, a mensagem principal reforçada por Barros e por todos os parceiros presentes foi que as soluções Siemens oferecem uma plataforma completa, capaz de integrar modelagem, simulação, inteligência artificial e aplicações de negócio. Uma abordagem end-to-end que conecta o desenvolvimento de produto à operação da planta, garantindo mais competitividade e eficiência para a indústria 5.0. A apresentação completa está disponível abaixo: Agende uma reunião com a CAEXPERTS e descubra como unir simulação e inteligência artificial pode transformar a sua empresa, aumentando eficiência, competitividade e acelerando sua jornada rumo à Indústria 5.0. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

A inteligência artificial (IA) tornou-se uma força onipresente no mundo da engenharia, transformando radicalmente a forma como as empresas operam e como os funcionários trabalham. À medida que avançamos para 2025, a influência da IA continuará a crescer, inaugurando uma nova era de maior eficiência, produtividade e inovação. O CEO da Nvidia, Jensen Huang, previu recentemente que o poder computacional que impulsiona os avanços em IA generativa deverá aumentar "um milhão de vezes" nos próximos 10 anos, impulsionado por um aumento "quadruplicado" do poder computacional anualmente. O que impulsiona esse rápido avanço é o crescimento exponencial do poder computacional na última década. Hoje, os principais supercomputadores do mundo são capazes de realizar mais de 1 quintilhão (1.000.000.000.000.000.000) de cálculos por segundo – um aumento impressionante em relação a apenas uma década atrás. Esse enorme aumento no poder computacional bruto permitiu o treinamento de modelos de IA cada vez maiores e mais complexos, permitindo que eles lidem com tarefas cada vez mais sofisticadas. Por trás dessa revolução da IA não estão apenas as CPUs tradicionais, mas também hardware especializado, como unidades de processamento gráfico (GPUs) e circuitos integrados específicos para aplicações (ASICs), projetados especificamente para cargas de trabalho de machine learning . Esses chips podem realizar o processamento paralelo necessário para treinar e executar modelos de IA com muito mais eficiência do que CPUs de uso geral. Além dos avanços em hardware, a ascensão de plataformas baseadas em nuvem, como o Simcenter X, também desempenhou um papel fundamental na democratização do acesso ao imenso poder computacional da IA. Pesquisadores e empresas agora podem alugar clusters de GPU e recursos de supercomputação sob demanda de provedores de nuvem, permitindo-lhes treinar modelos em larga escala sem a necessidade de grandes investimentos iniciais. Otimizando processos de negócios com IA A Simcenter Engineering Services demonstrou que a influência da IA vai muito além de assistentes digitais e produtividade pessoal. As empresas estão cada vez mais implantando sistemas com tecnologia de IA para otimizar suas operações principais e a tomada de decisões. Algoritmos de IA podem analisar grandes quantidades de dados para descobrir insights que informam tudo, desde a gestão da cadeia de suprimentos até estratégias de marketing e previsões financeiras. Decisões de projeto de engenharia baseadas em simulações de transferência de calor e dinâmica de fluidos computacional (CFD) não são exceção. Os algoritmos de IA agora oferecem suporte a toda a cadeia de fluxo de trabalho de simulação, desde o gerenciamento de dados e reconhecimento de formas de peças até previsões e otimização de resultados térmicos e de fluxo em tempo real. IA/ML em CFD A sinergia entre CFD e machine learning promete fornecer soluções mais rápidas para problemas complexos e conhecidos de fluxo de fluidos industriais e transferência de calor — principalmente, otimização de projeto de problemas transitórios, como aerodinâmica de veículos e conforto da cabine de passageiros. Aerodinâmica do veículo Simulações aerodinâmicas transitórias, especialmente aquelas que envolvem geometrias complexas, exigem recursos computacionais significativos em termos de poder de processamento e memória. Executar essas simulações em larga escala pode ser computacionalmente intensivo e demorado. Além disso, simulações transitórias frequentemente exigem incrementos de tempo muito pequenos para capturar com precisão o comportamento dinâmico do ar. Isso pode levar a tempos de simulação longos, especialmente para problemas com uma ampla gama de escalas de tempo. Além disso, a grande quantidade de dados gerada por simulações CFD transitórias em larga escala pode ser difícil de gerenciar, armazenar e analisar. Algoritmos de IA abordam esse problema fornecendo resultados CFD inferidos, incluindo distribuições de pressão e velocidades do ar, permitindo o cálculo dos coeficientes de arrasto e sustentação em vários parâmetros de projeto. Os modelos de IA são treinados com base em um conjunto de dados de simulação, que consiste em nuvens de pontos extraídas de simulações nos níveis de superfície e volume, juntamente com valores escalares como pressão, tensão de cisalhamento da parede e os três componentes de velocidade. Para desenvolver modelos de IA precisos, é crucial executar o processo de treinamento com eficiência. A Simcenter Engineering Services atende a essa necessidade empregando uma técnica híbrida projetada para cobrir o vasto espaço de projeto de forma eficaz dentro de um número definido de avaliações. Inicialmente, é estabelecido um conjunto de pontos de projeto. Estes podem ser fornecidos pelo usuário como sementes ou gerados por meio de técnicas avançadas, como métodos de amostragem de hipercubo latino. Uma vez estabelecidos, esses pontos iniciais servem como entradas para um estudo de amostragem adaptativa. Este estudo é fundamental, pois seleciona e preenche de forma inteligente pontos de projeto adicionais alinhados aos objetivos definidos pelo usuário. Tais objetivos podem incluir a exploração de regiões onde há mudanças consideráveis na resposta ou áreas onde ocorrem variações de gradiente globais e locais. O modelo de IA em si é treinado principalmente usando dados espaciais das células da malha de superfície e volume. Além disso, ele incorpora escalares que definem características, como normais de superfície, juntamente com os escalares destinados à previsão pelo modelo de IA. Essa abordagem abrangente garante que o modelo possa prever com precisão escalares de engenharia complexos, abrangendo diversas alterações de projeto. A imagem abaixo demonstra um exemplo das etapas de treinamento e inferência de um modelo de IA, demonstrando sua aplicação na utilização de coordenadas espaciais, normais de superfície e distância da parede para prever escalares de engenharia, como vetores de pressão e velocidade. Fluxo de trabalho de treinamento Fluxo de trabalho de inferência Conforto do passageiro A execução de simulações CFD transitórias para análise do conforto dos passageiros de um veículo é frequentemente necessária e apresenta diversos desafios específicos. As cabines dos veículos são conhecidas por apresentarem geometrias complexas com muitas pequenas características, como saídas de ar, assentos e outros componentes internos, que devem ser capturados em detalhes por meio de malhas de alta resolução. Para escoamentos instáveis, esse requisito de meshing pode ser bastante exigente em termos computacionais. Além disso, os passageiros da cabine devem ser modelados com riqueza de detalhes, com saídas separadas para a cabeça, pescoço, tronco, mãos e pés do manequim. Esse nível de refinamento é necessário porque os seres humanos se sentem mais confortáveis dentro de uma faixa relativamente estreita de temperaturas ambientes. Mesmo pequenos desvios fora dessa faixa podem começar a causar desconforto. A complexidade se soma ao fato de que as temperaturas da superfície do manequim podem ser influenciadas por desvios muito pequenos das condições ambientais, como fluxo de ar, temperatura, umidade, radiação solar, velocidade e aceleração do veículo. Reconhecendo esses desafios, a Simcenter Engineering Services está explorando ativamente modelos de ordem reduzida e soluções baseadas em IA/ML, especialmente adaptadas para lidar com os desafios da análise de conforto dos passageiros. Uma área de foco envolve o uso de modelos de ordem reduzida (ROM), incorporando ROMs estáticos e interpolação de decomposição ortogonal (POD) adequada. ROMs estáticas são usadas para prever métricas escalares importantes, como temperatura ou velocidade, em um formato de texto que fornece insights quantitativos essenciais. Por outro lado, a interpolação POD é empregada para prever campos escalares bidimensionais espacialmente variáveis. Essa abordagem permite a determinação de métricas escalares importantes, como temperatura e velocidades da cabine, em duas dimensões com base em parâmetros de entrada como cargas solares, posição relativa do sol e características de fluxo. Ambos os modelos de ordem reduzida podem ser gerados usando dados de simulação (e teste) para treinamento. A combinação desses dois métodos proporciona um meio simplificado, porém eficaz, de analisar dados complexos, garantindo que parâmetros críticos de conforto dos passageiros sejam avaliados e otimizados com precisão. Esses e outros tipos de modelos de ordem reduzida podem ser gerados usando a ferramenta Simcenter Reduced Order Modeling , disponível no portfólio Simcenter. Modelagem 3D complexa Algoritmos de IA podem aprimorar e acelerar a fase de construção de modelos de simulações térmicas 3D complexas. No gerenciamento térmico e energético de veículos (VTM/VEM), o contato preciso entre peças por meio de impressão CAD é crucial para capturar os caminhos de condução de calor em toda a montagem do veículo. A obtenção de resultados de alta fidelidade geralmente exige revisão e aprimoramento manual de centenas de impressões de baixa qualidade, resultando em prazos de entrega do projeto mais longos. Para aumentar a eficiência e reduzir os tempos de resposta, a Simcenter Engineering Services está desenvolvendo automação personalizada e "lógica inteligente" para dar suporte ao processo de impressão e revisão de CAD. Isso utiliza procedimentos baseados em IA/ML no Simcenter STAR-CCM+ . Diversas "modalidades" podem ser empregadas para inferência, conforme ilustrado abaixo. Depois que o modelo de IA é treinado, a validade do contato pode ser inferida por meio de um plug-in de front-end personalizado usando a modalidade selecionada. Essa abordagem integra treinamento de dados tabulares e baseados em imagens para derivar inferências do modelo de ML, agilizando e simplificando o processo de modelagem. Para previsões diretas de validade de contato, um modelo classificador simples usando características de um arquivo baseado em texto é suficiente. No entanto, ao lidar com áreas de contato complexas, onde contexto adicional, como a identidade das partes em contato, é necessário, um modelo baseado em imagens oferece maiores vantagens. Este modelo pode analisar dados visuais para avaliar as relações espaciais e estruturais entre os componentes, proporcionando uma compreensão mais detalhada da validade de contato. O pipeline de inferência para modelos tabulares e baseados em imagens é mostrado abaixo: Pipeline de inferência para modelo baseado em tabelas Pipeline de inferência para modelo baseado em imagem Essa abordagem inovadora não apenas acelera o processo de modelagem, mas também melhora a precisão e a confiabilidade das simulações térmicas, levando, em última análise, a um melhor design do veículo. O caminho a seguir Não há dúvida de que a IA está remodelando o cenário da engenharia de forma profunda. Líderes e inovadores experientes estão adotando a IA como uma oportunidade transformadora, implementando-a estrategicamente para ampliar e capacitar sua força de trabalho. Como pioneira do setor, a Simcenter Engineering Services está liderando pelo exemplo, capacitando funcionários e clientes com ferramentas e recursos baseados em IA, permitindo que a comunidade de engenharia desbloqueie níveis sem precedentes de produtividade, criatividade e sucesso empresarial. Descubra como a CAEXPERTS pode transformar seus projetos de engenharia com IA e CFD, acelerando simulações complexas e otimizando processos críticos. Agende agora uma reunião com nossos especialistas e dê o próximo passo rumo à inovação e eficiência máxima. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

A indústria de ferro e aço são altamente intensivas em materiais e energia. A energia constitui uma parte significativa do custo de produção do aço, de 20% a 40%. Assim, melhorias na eficiência energética resultam em custos de produção reduzidos e, consequentemente, maior competitividade. Outro desafio na produção de aço é que as emissões de CO₂ são altas. Em média, as usinas de aço primárias emitem três toneladas de CO₂ por tonelada de aço. O melhor índice global é de 1,4 toneladas de CO₂ por tonelada de aço. Para fortalecer a competitividade verde e alcançar o objetivo de produção de baixo carbono e limpa, a indústria siderúrgica adota quatro estratégias de economia de energia: (a) Aumentar a eficiência energética: recuperação de calor residual, melhorando a eficiência do sistema/equipamento de energia otimizando a operação e gestão de energia. (b) Desenvolver e utilizar combustíveis de baixo carbono como biomassa, (c) Maximizar o valor do gás combustível e (d) Desenvolver a tecnologia de ponta como o CCS (captura e armazenamento de carbono). Processo de Produção de Aço No processo primário de produção de ferro, os materiais como minério de ferro, coque e cal são derretidos em um alto-forno resultando em ferro líquido (metal quente). Os métodos chave são o Forno de Oxigênio Básico (BOS) e o mais moderno Forno de Arco Elétrico (EAF). No processo secundário de fabricação de aço, o aço líquido produzido pelos métodos BOS e EAF é tratado para ajustar a composição do aço. Os processos secundários de fabricação de aço envolvem Agitação, Forno de panela, Injeção em panela, Desgaseificação, CAS-OB (ajuste de composição por borbulhamento de argônio selado com sopro de oxigênio). Na fundição contínua, o aço líquido é fundido em um molde refrigerado causando a solidificação de uma fina casca de aço. A tira de casca é retirada usando rolos guias e totalmente resfriada e solidificada. A tira é cortada em comprimentos desejados dependendo da aplicação; placas para produtos planos (placas e fitas), lingotes para seções (vigas), billets para produtos longos (fios) ou tiras finas. No processo primário de formação, o aço que é fundido é então formado em várias formas, muitas vezes por laminação a quente. Os produtos laminados a quente são divididos em produtos planos, produtos longos, tubos sem costura e produtos especiais. As técnicas secundárias de formação dão ao aço sua forma e propriedades finais. Estas técnicas incluem laminação a frio, Usinagem (perfuração), Junção (soldagem), Revestimento (galvanização), Tratamento térmico (temperamento), Tratamento superficial (cementação). A Siemens com o Simcenter STAR-CCM+ , uma abordagem baseada em Dinâmica de Fluidos Computacional (CFD), é usada na indústria siderúrgica para (a) melhorar a eficiência do sistema de energia e equipamentos, (b) otimizar a operação e gestão de energia, (c) analisar e comparar diversas tecnologias para otimizações de processo. O Simcenter STAR-CCM+ fornece análises detalhadas do fluxo de fluidos, transferência de calor e outros fenômenos fisio-químicos nos equipamentos em escala real e condições operacionais, o que de outra forma não é possível por técnicas experimentais. Esta tecnologia oferece um entendimento tridimensional detalhado dos parâmetros do processo como padrões de fluxo, temperatura, perfil de mistura, composição química, transferência de calor, combustão, reações químicas, fundição, etc. O Simcenter STAR-CCM+ também oferece uma capacidade muito robusta de Método dos Elementos Discretos (DEM) para modelar fluxos de partículas sólidas. Forno de Oxigênio Básico Forno de Oxigênio Básico O forno de oxigênio básico (BOF) é uma parte do processo de fabricação de aço onde oxigênio puro é usado para converter ferro-gusa líquido em aço, oxidando o carbono. Em fornos de sopro superior, um jato de oxigênio supersônico é soprado através de uma lança verticalmente orientada sobre o banho de metal líquido, criando uma cavidade na superfície do banho. Parâmetros importantes são a forma e o tamanho desta cavidade, pois contribuem para a área de contato interfacial entre o oxigênio e o metal. As rápidas reações de descarbonização na interface metal líquido/gás levam à formação de monóxido de carbono (CO), que pode reagir com o oxigênio no espaço superior do forno para produzir dióxido de carbono. Este último processo é geralmente referido como reação de pós-combustão e é altamente exotérmico (ΔHR = -283 kJ/mol). Com o objetivo de otimizar a eficiência energética do processo e aumentar a quantidade de sucata que pode ser refundida no banho, há um forte interesse em promover a pós-combustão do monóxido de carbono e a transferência da energia liberada por esta reação para o metal líquido. Alternativamente, conversores de sopro inferior são usados, onde o oxigênio é injetado na parte inferior do forno. Isso leva a uma agitação e mistura adicionais, similares aos resultados mostrados na seção da panela. A geometria do conversor, a configuração da lança, o número, a dimensão e o posicionamento das entradas inferiores, bem como as taxas de fluxo afetam o campo de fluxo e, portanto, o processo de oxidação e oferecem oportunidades para melhorar o processo e sua eficiência. Para simular um BOF com lança superior com foco na penetração do jato e sua interação com o metal líquido, o Simcenter STAR-CCM+ oferece o método Volume of Fluid (VOF) e o modelo de múltiplas fases Euleriano com uma extensão de modelo para capturar a superfície livre corretamente, chamado Large Scale Interface (LSI). Ambos os métodos suportam reações em cada fase e recentemente um modelo de reação superficial para VOF foi introduzido para considerar reações apenas na superfície livre, onde o oxigênio entra em contato com o carbono no metal líquido. Configuração e descrição do caso No caso apresentado aqui, um jato de oxigênio puro de cima interage com o derretimento. A simulação VOF transiente é realizada em um domínio 2D axisimétrico com 125.000 células hexaédricas, assumindo comportamento de gás ideal para a fase gasosa. Ambas as fases são modeladas como multicomponentes. A fase gasosa consiste de O₂, CO, CO₂ e N₂, enquanto a fase líquida contém Fe e C. Para modelar a descarbonização, duas reações superficiais na interface são aplicadas, formando CO na fase gasosa: C(l) + O₂(g) → 2CO(g) C(l) + CO₂ → 2CO(g) 2CO(g) + O₂(g) → 2CO₂(g) Figura 1: Esquerda: Jato de oxigênio entrando no BOF e penetrando no líquido fundido. A linha preta indica a superfície livre. Direita: O vermelho mostra o líquido fundido, o azul a fase gasosa e a cor amarelada indica gotículas líquidas Resultados Os resultados da simulação na Fig. 1 mostram a penetração profunda do jato de oxigênio no derretimento. Gotas de derretimento menores e maiores são levantadas e espirram contra a parede. A profundidade e a forma da cavidade estão permanentemente mudando, já que este caso é inerentemente transitório, resultando por um lado em uma maior área de superfície e por outro em uma mistura adicional devido a essas flutuações. Figura 2: Fração molar de oxigênio na fase gasosa. Figura 3: Fração molar de carbono no fundido. Valores mais baixos são encontrados próximos à superfície livre. Figura 4: Fração molar de CO como resultado da descarbonização na superfície livre. A Fig. 2 mostra a distribuição de oxigênio na fase gasosa. Na lança, um jato puro de oxigênio entra no forno. Uma parte do oxigênio é consumida pela descarbonização na superfície livre e outra parte é convertida na fase gasosa em dióxido de carbono. Um olhar mais atento à superfície livre (Fig. 3 e 4) mostra que um conteúdo menor de carbono é encontrado apenas nas proximidades da superfície livre. Isso também indica que as oscilações estão aumentando a superfície livre e, portanto, as taxas de reação significativamente, uma vez que o conteúdo mais baixo de C é encontrado lá. No lado gasoso, uma fração molar maior de CO é encontrada nas oscilações, mas também no lado direito próximo à superfície livre. Esta é uma área onde as velocidades do gás não são tão altas (veja Fig. 3) e o CO não é transportado eficientemente para o volume. Agitação no Cadinho Em um forno de panela, o argônio é injetado através de uma lança revestida de refratário ou através de um bloco refratário permeável na parte inferior, a fim de manter uma temperatura e composição uniformes. Um exercício de referência para tal forno é descrito a seguir. A geometria utilizada e detalhes adicionais são especificados pela Sociedade Alemã de Aço (VDEh) em sua 7ª reunião em 2010. Descrição do Problema O cadinho contém 185 toneladas de aço a 1600°C. Argônio é introduzido a partir do fundo, dando origem a plumas de gás heterogêneas que causam a agitação do aço. O objetivo da simulação era determinar o tempo necessário para alcançar uma mistura completa. Figura 5: Detalhes do benchmark de agitação da panela. Região vermelha: escória e região amarela: o metal fundido Um método de modelagem Volume-of-Fluid (VOF) foi usado no STAR-CCM+ para considerar a interface entre gás e líquido. Um algoritmo de rastreamento de partículas discretas para rastrear as bolhas injetadas (com uma distribuição de tamanho de Rosin Rammler) e densidade dependente da lei do gás ideal baseada na altura do metal fundido foi usado para o gás injetado. Um acoplamento bidirecional com consideração de forças de arrasto, sustentação e dispersão turbulenta é empregado entre as fases gasosa e líquida. Um traçador numérico é introduzido para rastrear a extensão da mistura e o tempo de mistura necessário. Resultados do Exercício de Referência no Cadinho Os resultados deste estudo são mostrados abaixo nas Figs. 6(a) a 6(c). A Fig. 6a mostra uma captura de tela da distribuição das bolhas e ascensão no domínio. A Fig. 6b mostra os contornos de velocidade do derretimento causados pela injeção do jato de argônio, mostrando claramente um fluxo de jato em desenvolvimento com a velocidade diminuindo com a altura. A magnitude da velocidade estava dentro de 15% dos resultados analíticos. A Fig. 6c mostra uma pictografia de um experimento baseado em água em um modelo em escala do cadinho. Indica que o campo de fluxo corresponde aos resultados da simulação qualitativamente (já que nenhuma medição de velocidade foi realizada no experimento com água). A Fig. 7 mostra que os resultados do tempo de mistura da simulação (⁓120s) comparam-se bem com aqueles de medições experimentais (⁓120-140 segundos), indicando que a simulação CFD permite insights detalhados sobre o comportamento do fluxo. Geometrias adicionais podem ser investigadas usando simulação combinada com uma abordagem de otimização direta automatizada para encontrar uma solução de engenharia para mistura. Figura 6: (a) Pluma de bolhas ascendentes (b) Campo de velocidade do jato de argônio (c) Foto de um experimento com água em escala Figura 7: Comparação do tempo necessário para mistura completa com valores experimentais. Fundição Contínua Após a fabricação de uma liga de aço, o aço líquido precisa ser processado para uso posterior. Podemos discernir dois tipos de material forjado após a produção de aço: ou lingotes que podem ser usados posteriormente em processos específicos de fundição de formas ou barras de aço fundido continuamente de várias geometrias de seção transversal. Desafios de Produção Para garantir uma boa qualidade geral do produto, certos aspectos do processo são chave: (a) Transporte e localização de inclusões não metálicas e escória dentro do lingote ou tira, (b) Gerenciamento de temperatura da liga para garantir propriedades metalúrgicas desejáveis, (c) Defeitos como defeitos de contração macro e micro. Esses aspectos estão intimamente ligados entre si, bem como à eficiência geral de fabricação. Assim, o processo de fundição contínua ou de lingotes é um conglomerado de diferentes fenômenos físicos e desafios de engenharia envolvendo transferência de calor (radiação, condução e convecção), mudança de fase (solidificação no metal e ebulição devido ao resfriamento por pulverização), transporte de material, Aquecimento Joule, Dinâmica Magneto Hidrodinâmica (agitação na tira), Metalurgia incluindo defeitos de contração, Reações químicas (mangas exotérmicas e pós). Figura 8: Padrão de fluxo durante a solidificação de lingotes de aço. Criação de poros alfa e defeitos de contração Problema & Resultados Usando uma abordagem pseudo transiente, o Simcenter STAR-CCM+ foi usado para prever a espessura da casca ao longo da tira, bem como a posição da ponta de solidificação. O trabalho de validação foi baseado no trabalho de Ushijima, onde a espessura da casca é determinada analiticamente. Assume-se que o molde esteja pré-preenchido com aço superaquecido, as paredes são configuradas para serem convectivas. A velocidade de entrada também é dada e na saída a velocidade de fundição é aplicada. Figura 9: Validação da espessura da casca para fundição de tira única. O gráfico à esquerda mostra a comparação dos resultados. O gráfico à direita mostra o contorno da geometria segundo Ushijima. O modelo de múltiplas fases Volume of Fluid (VOF) é usado para investigar a interação entre escória, derretimento e ar. A modelagem de mudança de fase é habilitada dentro do modelo VOF. Ao expandir o domínio computacional além do domínio fluido para incluir, por exemplo, o molde ou rolos, o efeito das suposições nas condições de contorno pode ser mitigado. O Simcenter STAR-CCM+ possui um conjunto de funções de critério para análise de defeitos dentro da peça fundida. As propriedades do material também são essenciais para prever com precisão o comportamento de fluxo e solidificação dentro da peça fundida. A estrutura aberta do software permite que se importe dados de material dependentes da temperatura próprios ou que se use os materiais oferecidos no banco de dados de material metálico dedicado. Os resultados (Fig. 9) indicam que o STAR-CCM+ pode prever a espessura da casca com precisão e pode ser usado para avaliar o processo de fundição de forma eficaz. CONCLUSÕES O Simcenter STAR-CCM+ foi utilizado para a análise detalhada de fornos de oxigênio básico, mistura em cadinho e fundição contínua. Detalhes incluindo dinâmica de fluidos, reações de descarbonização na superfície, bem como reações de oxidação na fase gasosa, foram modelados com precisão. O método Volume of Fluid (VOF), assim como o modelo Euleriano de Múltiplas Fases com uma extensão LSI, podem ser usados para capturar corretamente a superfície livre. O Simcenter STAR-CCM+ abre a porta para futuras otimizações e melhorias de processo. Quer levar a eficiência e sustentabilidade da sua indústria siderúrgica para um novo patamar? Na CAEXPERTS , podemos te ajudar a traçar estratégias de economia de energia e tecnologias avançadas para redução de emissões de CO₂. Agende uma reunião conosco e descubra como podemos ajudar sua empresa a otimizar processos, reduzir custos e alcançar seus objetivos de produção de forma mais sustentável. Não deixe para depois, entre em contato agora mesmo e dê o primeiro passo rumo a um futuro mais verde e competitivo! WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

Lubrificação mais suave com injeção de óleo A injeção de óleo apresenta diversas vantagens em relação à lubrificação tradicional por banho de óleo em caixas de engrenagens. Essa técnica permite uma redução significativa no consumo de óleo, ao mesmo tempo em que proporciona maior precisão comparada ao banho de óleo. O processo possibilita um controle preciso sobre o fornecimento de lubrificante, garantindo a lubrificação ideal em pontos críticos. A aplicação localizada do óleo contribui para minimizar o desperdício, resultando em menor consumo geral. No entanto, a lubrificação por injeção exige um maior nível de conhecimento do padrão de fluxo e da dinâmica do sistema. Além disso, geralmente exige um investimento inicial mais alto em comparação com os sistemas de banho de óleo. Portanto, insights detalhados de engenharia na fase inicial do projeto de uma caixa de engrenagens são essenciais para a obtenção do posicionamento ideal dos injetores e das estratégias de injeção. Uma ferramenta viável para lidar com esse desafio no início do projeto de um sistema de lubrificação de caixa de engrenagens é a hidrodinâmica de partículas suavizadas (SPH). Mudança de marchas com injeção de fluido SPH Desde a versão 2402 ,  o Simcenter STAR-CCM+ passou a incorporar a tecnologia SPH em um ambiente CFD integrado. Em versões anteriores, o solver de Hidrodinâmica de Partículas Suavizadas (SPH) já permitia simulações de lubrificação do trem de força em configurações de banho de óleo. Com a versão 2406, a funcionalidade foi ampliada para cobrir cenários de injeção, por meio da inclusão de entradas específicas para SPH. Com isso é possível simular a injeção de óleo com imposição de velocidade ou fluxo de massa, além de definir distribuições constantes ou com variação temporal, como no processo de partida do sistema de lubrificação. Dessa forma, torna-se viável visualizar o comportamento do lubrificante no interior da caixa de engrenagens com SPH e condições de contorno de entrada. Isso contribui para validar a direção do óleo nos elementos da engrenagem, assegurando eficiência e confiabilidade na lubrificação. Mantenha-se integrado com o poder do Simcenter STAR-CCM+ como plataforma Graças à integração do SPH com a plataforma Multiphysics, você pode aproveitar o conjunto completo de recursos de análise quantitativa de dados do Simcenter STAR-CCM+ em conjunto com a hidrodinâmica de partículas suavizadas. Para caixas de engrenagens, você pode, por exemplo, monitorar perdas por agitação observando as forças e a evolução do torque ao longo da simulação. O relatório e o gráfico do torque não dependem da resolução da malha de superfície. Mesmo que você tenha uma representação grosseira da malha de superfície das suas geometrias, isso não afetará mais a precisão da evolução do torque. Isso garante resultados precisos, independentemente dos detalhes da malha de superfície. Mais aplicações com injetores rotativos No exemplo acima, você viu uma injeção de fluido SPH estática. Entradas estáticas são comumente usadas quando o fluxo que entra no domínio não é influenciado pela rotação. Com o Simcenter STAR-CCM+ , também é possível configurar uma condição de contorno rotativa. Em sistemas de lubrificação por injeção, injetores rotativos são comumente usados para fornecer o lubrificante a óleo para peças móveis, como engrenagens ou rolamentos. A condição de entrada rotativa garante que o fluxo de lubrificante entre no domínio com o movimento rotacional desejado. A modelagem adequada desse comportamento é crucial para simulações precisas do desempenho da lubrificação do trem de força. Nesta animação, apresenta-se um sistema simplificado de lubrificação em máquinas eletrônicas. O uso do SPH para esta aplicação permite monitorar facilmente para onde o óleo lubrificante vai com um fluxo de trabalho simples, em comparação com modelos de volume finito. Outras aplicações também são possíveis graças à adição de condições de contorno de entrada. Você pode começar a modelar aplicações de escoamento de água ou vazamento de óleo em veículos, observando onde o líquido (água ou óleo) entra no veículo. Você pode observar como o líquido se espalha por diferentes partes do veículo, onde se acumula e interage com outros componentes. Precisa de fazer malha? Essa questão permanece relevante desde a introdução do SPH: criar ou não criar malha. Assim como em versões anteriores, o SPH apresenta vantagens distintas para aplicações específicas. Simulações CFD tradicionais frequentemente requerem preparação do CAD e geração de malha volumétrica, o que pode ser demorado para sistemas como caixas de engrenagens. O SPH elimina essa etapa ao operar diretamente com partículas, proporcionando uma experiência mais fluida. A combinação de fluxos de trabalho intuitivos, integração com CAD e robustez no manuseio de movimentos destaca o SPH no Simcenter STAR-CCM+ . Além disso, uma caixa de engrenagens industrial pode ser simulada com SPH em cerca de 12 minutos. Assim, para triagens iniciais de projeto, o método SPH é ideal para ser usado com o Design Manager para exploração de projeto, eliminando projetos de baixo desempenho de forma rápida e fácil. Se o seu objetivo é visualizar a distribuição de óleo dentro da caixa de engrenagens e monitorar as perdas por agitação, o SPH é o melhor candidato para esta aplicação. Entretanto, se o ar afetar significativamente o óleo, ou se você precisar modelar entradas de pulverização ou observar a transferência de calor, ou se precisar modelar a névoa (mistura de gás e líquido) ou modelar a mudança de fase ou eletromagnetismo ou outra física complexa, é recomendado usar modelos multifásicos de volume finito, que são mais adequados para maior precisão. Os métodos SPH e de volumes finitos se complementam e sempre dependem do escopo de suas aplicações e do nível de fidelidade necessário para fazer a escolha adequada do modelo a ser usado. Explore mais resultados da simulação SPH de lubrificação da caixa de engrenagens interativamente em seu navegador Modelagem de tensão superficial para SPH O modelo de tensão superficial tem como objetivo aumentar a precisão nas simulações de escoamentos livres altamente dinâmicos. Essa funcionalidade permite representar o comportamento de gotículas e a interação com superfícies. Pode-se definir ângulos de contato para cada contorno sólido, possibilitando simulações de superfícies hidrofílicas ou hidrofóbicas. Garanta máxima eficiência na lubrificação das suas caixas de engrenagens desde as primeiras fases do projeto! Agende uma reunião com a CAEXPERTS e descubra como aplicar o SPH no Simcenter STAR-CCM+ para simular injeções de óleo com precisão, reduzir perdas e acelerar decisões de engenharia com confiança. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br